Extraction de connaissances pour la construction de
scénarios médicaux
Anne-Sophie Silvent
To cite this version:
Anne-Sophie Silvent. Extraction de connaissances pour la construction de scénarios médicaux. Autre
[q-bio.OT]. Université Joseph-Fourier - Grenoble I, 2004. Français. �tel-00008108�
HAL Id: tel-00008108
https://tel.archives-ouvertes.fr/tel-00008108
Submitted on 18 Jan 2005
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
UNIVERSITÉ JOSEPH FOURIER DE GRENOBLE I
THÈSE
pour obtenir le grade de
DOCTEUR DE L'UJF
Spécialité : Modèles et Instruments en Médecine et Biologie
préparée au laboratoire TIMC-SIC
dans le cadre de l'Ecole Doctorale
Ingénierie pour la Santé, la Cognition et
l'Environnement
présentée et soutenue publiquement
par
Anne-Sophie Silvent
le 10 décembre 2004
Titre
Extraction de connaissances pour la
construction de scénarios médicaux
JURY
M. Guy Carrault
Rapporteur
M. Gilles Kassel
Rapporteur
Mme Catherine Garbay
Directeur de thèse
M. Michel Dojat
Co-directeur
M. Pierre Baconnier
Examinateur
Mme Marie-Christine Chambrin
Examinateur
M. Pierre-Yves Carry
Invité
Remerciements
Je remercie Guy Carrault et Gilles Kassel d'avoir accepté de rapporter ce travail de thèse.
Un grand merci à Catherine Garbay et Michel Dojat, mes deux directeurs de thèse pour
m'avoir supportée (dans les deux sens du terme) durant ces années.
Je remercie Pierre Baconnier d'une part de faire partie du jury de cette thèse et d'autre
part et surtout, de m'avoir admise dans le DEA MIMB, puis dans le projet OSSCAR.
Je remercie Marie-Christine Chambrin, chef du sous-projet pour sa disponibilité et le
temps qu'elle m'a accordé.
Un grand merci aux médecins Pierre-Yves Carry, Jean-Pierre Perdrix et Loïc Biot à qui
j'exprime toute ma reconnaissance.
Merci aussi à tous les autres membres du projet OSSCAR, en particulier à Éve.
N'oublier personne. . .
Je pense à Corinne Frison, Anne-Éva et Guillaume que j'ai connus dès le DEA, amitiés
précieuses. Merci à Guillaume pour l'aide apportée pour mes premiers pas laborieux en
informatique et pour son soutien.
Je pense à Julien Balter, premier compagnon de bureau.
Une pensée pour Véro et Corinne qui m'ont manqué ces deux dernières années . . .
Grand merci aux ingénieurs systèmes Guy et Noureddine pour leur soutien et leur patience
devant ma perplexité et ma poisse vis à vis d'un ordinateur !
Merci à Marie-Paule, Paulette, Nicole, Françoise et Maribel.
Pensées pour Rémy, Chris, José et Zulma, Abdel (vieux sage du labo, mais trop peu longtemps), Vincent et Raph, Fred, Pat et Nico, Sandrine. . . Une pensée particulière pour Salima
et Yazid d'Algérie pour qui la recherche est d'abord de trouver un ordinateur qui marche.
Pensée pour ceux qui commencent : Thomas et Julie.
Pensée à Julien et ses fromages, et son pounti, Bidule . . .
Bien plus qu'une pensée : ma petite Sam, qu'est-ce que je ferai sans toi ?
Et mes frères et s÷urs : JF, Manu et Cath et leurs moitiés, Agathe, Alain et Willy (qui
pourra constater mon rapide apprentissage de la lecture et de l'écriture. . . clin d'÷il) et mon
ado préféré Arthur.
Une petite pensée pour tous les petits bouts arrivés pendant ces années : Adèle, Lucas,
Zineb, Maëlle, Jules, Maé, Quentin, Zélie, Ambrine, Élisa, Léna . . .
Un peu d'amertume à présent. Je ne remercie pas la personne qui m'a conseillé de me mettre
à Latex pour rédiger cette thèse !
Table des matières
INTRODUCTION
1
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
7
1.1
Présentation de l'organisation d'une salle de soins
. . . . . . . . . .
7
1.2
Surveillance en salle de soins . . . . . . . . . . . . . . . . . . . . . . . .
9
1.2.1
En quoi consiste un système de surveillance en USIs ?
. . . . . . . .
9
1.2.2
En quoi consistent les alarmes ? . . . . . . . . . . . . . . . . . . . . .
9
1.2.3
Des alarmes pertinentes ?
1.3
1.3.1
1.3.2
1.4
1.6
9
. . . . . . . . . . . . . . . . . . . . . .
10
Caractéristiques des données médicales . . . . . . . . . . . . . . . . .
10
Caractéristiques des données d'USIs
. . . . . . . . . . . . . . . . . .
11
1.3.2.1
Haute dimensionnalité . . . . . . . . . . . . . . . . . . . . .
11
1.3.2.2
Incertitude
. . . . . . . . . . . . . . . . . . . . . . . . . . .
12
1.3.2.3
Imprécision . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
1.3.2.4
Ambiguïté
. . . . . . . . . . . . . . . . . . . . . . . . . . .
13
Spécicité des connaissances médicales en USIs . . . . . . . . . . . .
13
1.4.1
1.4.2
1.5
. . . . . . . . . . . . . . . . . . . . . . . .
Spécicité des données en USIs
. . . . . . . . . . . . .
13
1.4.1.1
Caractéristiques de la connaissances médicale
L'incertitude en médecine . . . . . . . . . . . . . . . . . . .
13
1.4.1.2
Et le taux d'erreurs qui en découle . . . . . . . . . . . . . . .
14
Caractéristiques des connaissances associées aux USIs
. . . . . . . .
14
. . . . . . .
14
. . . . . . . . . . . . .
14
1.4.2.1
Un nombre important d'informations à traiter
1.4.2.2
Une notion de temporalité à dénir
1.4.2.3
Des comportements du patient dicilement formalisables
.
15
Bilan : Des caractéristiques particulières de la surveillance en USIs
15
1.5.1
Des données complexes et des connaissances incomplètes . . . . . . .
15
1.5.2
La surveillance : un équilibre entre les données et les connaissances ?
15
Des systèmes de surveillance dans d'autres domaines . . . . . . . . .
16
1.6.1
Surveillance de réseaux de télécommunications
16
1.6.2
Surveillance d'un système pour la transformation du dioxyde de carbone 17
1.6.3
Surveillance de turbines à gaz
. . . . . . . . . . . . . . . . . . . . .
18
1.6.4
Surveillance d'une usine de traitement des eaux usées . . . . . . . . .
19
1.6.5
Surveillance de l'électrocardiogramme d'un patient
19
1.6.6
Comparaison des diérents systèmes de surveillance répertoriés
1.6.7
Où l'on envisage d'autres systèmes de surveillance pour les USIs
i
. . . . . . . . . . . .
. . . . . . . . . .
. . .
20
. .
22
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
2.1
2.2
26
2.1.1
Qu'est-ce qu'un protocole ?
26
2.1.2
Une amélioration de la surveillance ?
. . . . . . . . . . . . . . . . . .
28
2.1.3
Dicultés de la mise en place des protocoles . . . . . . . . . . . . . .
28
2.1.4
Des protocoles contextuels ? . . . . . . . . . . . . . . . . . . . . . . .
29
Le protocole de sevrage
2.2.1
2.2.2
2.3
2.4
2.5
25
La mise en place de protocoles . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
29
Présentation du sevrage : dénition, protocole, dicultés . . . . . . .
29
2.2.1.1
Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
2.2.1.2
Les dicultés du protocole de sevrage . . . . . . . . . . . .
30
Enjeux du sevrage
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
Vers des protocoles informatisés . . . . . . . . . . . . . . . . . . . . . .
33
2.3.1
Un meilleur suivi des patients grâce aux protocoles . . . . . . . . . .
33
2.3.2
Pourquoi des protocoles informatisés ?
. . . . . . . . . . . . . . . . .
35
2.3.3
Comment informatiser des protocoles ? . . . . . . . . . . . . . . . . .
35
2.3.3.1
ASGAARD : un exemple de représentation de guideline . .
36
2.3.3.2
NéoGanesh : un protocole basé sur la construction de scénarios 39
2.3.3.3
Synthèse : principes de base de VIE-VENT et de NéoGanesh
Vers la construction de scénarios ? . . . . . . . . . . . . . . . . . . . . .
41
2.4.1
Pourquoi des protocoles informatisés à base de scénarios ?
. . . . . .
41
2.4.2
Pourquoi des alarmes intelligentes à base de scénarios ? . . . . . . . .
41
2.4.3
Comment construire des scénarios ? . . . . . . . . . . . . . . . . . . .
42
2.4.3.1
La transformation des données
. . . . . . . . . . . . . . . .
42
2.4.3.2
La construction des scénarios . . . . . . . . . . . . . . . . .
43
Problématique du travail de thèse . . . . . . . . . . . . . . . . . . . . .
43
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
3.1
3.2
3.3
40
Qu'est-ce que l'abstraction ?
45
. . . . . . . . . . . . . . . . . . . . . . . .
46
3.1.1
Un préambule à la dénition de l'abstraction de données . . . . . . .
46
3.1.2
Les mécanismes formels de l'abstraction de données . . . . . . . . . .
47
3.1.2.1
Les abstractions verticales et horizontales . . . . . . . . . .
47
3.1.2.2
Les abstractions temporelles simples et complexes
. . . . .
49
Abstraction et fusion ? . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
3.2.1
. . . . . . . . .
50
3.2.1.1
La fusion dans le processus d'abstraction temporelle
La fusion sémantique dans le processus d'abstraction . . . .
52
3.2.1.2
La fusion multi-sources dans le processus d'abstraction . .
52
3.2.1.3
La fusion temporelle . . . . . . . . . . . . . . . . . . . . . .
52
3.2.1.4
La fusion mixte ou oblique
. . . . . . . . . . . . . . . . .
52
3.2.2
Un processus incrémental
. . . . . . . . . . . . . . . . . . . . . . . .
53
3.2.3
Les connaissances dans le processus d'abstraction . . . . . . . . . . .
53
Quelle utilisation des données et de la connaissance pour l'abstraction ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
3.3.1
. . . . . . . . .
55
. . . . . . . . . . . . . . . . . . . . . . . . . .
55
Des méthodes d'abstraction des données statistiques
3.3.1.1
TrendFinder
3.3.1.2
Les tendances de Calvelo et al
. . . . . . . . . . . . . . . .
56
3.3.1.3
Les abstractions de Morik et al . . . . . . . . . . . . . . . .
56
3.3.2
3.3.3
3.4
3.5
3.6
3.7
Des méthodes d'abstraction mixtes . . . . . . . . . . . . . . . . . . .
58
3.3.2.1
Le système TrenDx d'Haimowitz et al . . . . . . . . . . . .
59
3.3.2.2
Le système DIAMON-1 de Steiman
60
3.3.2.3
Le système VIE-VENT de Miksch et al
60
Des méthodes d'abstraction à base de connaissance . . . . . . . . . .
62
3.3.3.1
Les abstractions de Larizza et Bellazzi . . . . . . . . . . . .
62
3.3.3.2
Le système RÉSUMÉ de Shahar et al
. . . . . . . . . . . .
63
3.3.3.3
Le système NéoGanesh de Dojat . . . . . . . . . . . . . . .
66
données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
3.4.1
Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
3.4.2
Pistes
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
Découverte de scénarios et fusion . . . . . . . . . . . . . . . . . . . . .
69
3.5.1
Les scénarios et les abstractions . . . . . . . . . . . . . . . . . . . . .
69
3.5.2
La fouille comme un processus de fusion ?
. . . . . . . . . . . . . . .
69
. . . . . . . . . . . . . . . . . . .
70
3.6.1
Dénition de la fouille de données . . . . . . . . . . . . . . . . . . . .
70
3.6.2
La fouille de données en trois axes
. . . . . . . . . . . . . . . . . . .
71
La fouille de données temporelles . . . . . . . . . . . . . . . . . . . . .
71
Qu'est ce que la fouille de données ?
En quoi la fouille de données temporelles est-elle diérente de la fouille
de données atemporelles ?
3.9
. . . . . . . . . . .
Synthèse et présentation de quelques pistes pour l'abstraction des
3.7.1
3.8
. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . .
72
3.7.1.1
Phénomènes de dilatation/translation
. . . . . . . . . . . .
72
3.7.1.2
Plusieurs niveaux d'interprétation possibles . . . . . . . . .
72
3.7.1.3
Dépendances des valeurs numériques . . . . . . . . . . . . .
73
3.7.1.4
Mesures d'intérêt de la connaissance . . . . . . . . . . . . .
73
3.7.2
Plusieurs types de représentation de données temporelles . . . . . . .
73
3.7.3
Plusieurs types de représentation des patterns . . . . . . . . . . . . .
74
3.7.4
Plusieurs critères d'évaluation et/ou de validation . . . . . . . . . . .
74
3.7.5
Plusieurs méthodes de fouille
77
3.7.6
Exemple de découverte de motifs fréquents
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . .
78
Synthèse et présentation de quelques pistes pour la fouille . . . . .
80
3.8.1
Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
3.8.2
Pistes
81
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
La fouille dans notre contexte
. . . . . . . . . . . . . . . . . . . . . . .
3.9.1
Problématiques de la découverte de règles d'association
3.9.2
Représentation
3.9.3
Critères d'évaluation des règles
3.9.4
81
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
. . . . . . . . . . . . . . . . . . . . .
82
Découverte de règles à partir de données de type état . . . . . . . .
82
3.9.4.1
Höppner : une approche théorique du problème de découverte de patterns dans des séquences d'intervalles . . . . . .
3.9.4.2
3.9.5
81
. . . . . . .
83
Bellazzi : une autre approche de la découverte de patterns
dans des séquences d'intervalles . . . . . . . . . . . . . . . .
85
Des mesures spéciques aux règles d'association ? . . . . . . . . . . .
86
3.9.5.1
Principes à satisfaire pour une mesure d'intérêt . . . . . . .
86
3.9.5.2
Des principes spéciques aux mesures des règles d'association
87
3.9.5.3
D'autres mesures proposées tenant compte des caractéristiques des relations . . . . . . . . . . . . . . . . . . . . . . .
88
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS
LA DÉCOUVERTE DE SCÉNARIOS
4.1
4.1.1
4.1.2
4.1.3
4.1.4
. . . . . . . . . . . . . . . . . . . . . . . .
92
Données/informations/connaissances : de quoi parle-t'on ? . . . . . .
93
4.1.2.1
Dénitions usuelles . . . . . . . . . . . . . . . . . . . . . . .
93
4.1.2.2
Quelques dénitions en intelligence articielle peu satisfaisantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
4.1.2.3
Des dénitions plus claires
. . . . . . . . . . . . . . . . . .
94
4.1.2.4
Les dénitions choisies . . . . . . . . . . . . . . . . . . . . .
95
L'extraction de connaissances : un processus incrémental ?
. . . . .
95
Description des éléments . . . . . . . . . . . . . . . . . . . . . . . . .
96
4.1.4.1
Les données . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
4.1.4.2
Les informations . . . . . . . . . . . . . . . . . . . . . . . .
96
4.1.4.3
Les connaissances
97
. . . . . . . . . . . . . . . . . . . . . . .
La méthode proposée d'abstraction de données
. . . . . . . . . . . .
98
4.2.1
Deux types d'abstraction temporelle de données . . . . . . . . . . . .
100
4.2.2
Les abstractions simples pour la construction d'états . . . . . . . . .
100
4.2.2.1
Détermination de plusieurs domaines de validité
100
4.2.2.2
L'interpolation temporelle : caractérisation des intervalles de
. . . . . .
stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
103
4.2.2.3
Agrégation des segments
105
4.2.2.4
Abstraction qualitative : transformation symbolique des seg-
. . . . . . . . . . . . . . . . . . .
ments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.3
108
Les abstractions complexes ou la construction de patterns locaux pour
la reconnaissance d'événements
4.3
92
L'importance de la transformation des données dans le processus d'extraction de connaissances
4.2
91
Données, information et connaissance dans l'ECD . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
Phase de reconnaissance des patterns
4.2.3.2
Phase d'interprétation pour la détection d'événements externes113
La découverte de règles
. . . . . . . . . . . .
110
4.2.3.1
. . . . . . . . . . . . . . . . . . . . . . . . . . .
Chapitre 5 : RÉSULTATS
112
114
117
5.1
Contexte clinique
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
117
5.2
Les éléments choisis pour la construction du processus . . . . . . . .
119
5.2.1
Données brutes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
119
5.2.2
Informations extraites
. . . . . . . . . . . . . . . . . . . . . . . . . .
121
5.2.3
Connaissances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
123
5.2.4
Spécicité des éléments disponibles . . . . . . . . . . . . . . . . . . .
127
5.3
Application de la méthode d'abstraction des données
5.3.1
5.3.2
. . . . . . . .
127
Les abstractions simples pour la construction d'états . . . . . . . . .
127
5.3.1.1
Détermination des domaines de validité
. . . . . . . . . . .
127
5.3.1.2
Caractérisation des intervalles de stabilité . . . . . . . . . .
131
5.3.1.3
Agrégation des segments
. . . . . . . . . . . . . . . . . . .
136
5.3.1.4
Abstraction qualitative
. . . . . . . . . . . . . . . . . . . .
139
Les abstractions complexes pour la reconnaissance d'événements
. .
142
5.3.2.1
Deux phases dans la reconnaissance d'événements
. . . . .
142
5.3.2.2
Trois événements à reconnaître . . . . . . . . . . . . . . . .
143
5.3.3
5.4
Validation des abstractions
5.4.1
5.4.2
5.5
Représentation des abstractions simples et complexes . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . .
La validation des abstractions simples
149
150
. . . . . . . . . . . . . . . . .
151
5.4.1.1
Contrôle a priori des abstractions simples . . . . . . . . . .
151
5.4.1.2
Contrôle a posteriori des abstractions simples . . . . . . . .
153
La validation des abstractions complexes . . . . . . . . . . . . . . . .
154
5.4.2.1
Contrôle a priori des abstractions complexes
. . . . . . . .
154
5.4.2.2
Contrôle a posteriori des abstractions complexes . . . . . .
154
5.4.2.3
Discussion sur la reconnaissance d'événements spéciques
.
156
. . . . .
157
Des résultats très préliminaires de la découverte de règles
DISCUSSION ET PERSPECTIVES
161
ANNEXES
165
Annexe A : Protocole de recueil de données
167
Annexe B : Feuille de recueil (OSSCAR)
171
Annexe C : Récapitulatif des informations disponibles sur les systèmes utilisés
173
Annexe D : Moniteur cardio-vasculaire Spacelabs
175
Annexe E : Ventilateurs Evita - Dräger
179
Annexe F : Codication des événements extérieurs
181
Annexe G : Exemples de paramètres tirés des signaux
185
Annexe H : Les valeurs normales
189
Annexe I : Pré-traitement des signaux
191
Annexe J : Références
193
Bibliographie
195
INTRODUCTION
CONTEXTE MÉDICAL
En Unités de Soins Intensifs (USIs), un nombre croissant d'appareils est utilisé pour la
surveillance et le traitement thérapeutique des patients. La plupart des patients en USIs
nécessite une assistance respiratoire partielle ou totale, ce qui justie une surveillance importante. Ces patients doivent être suivis avec un soin tout particulier et toutes les études
(cliniques mais aussi économiques ou sociologiques) sur ce sujet concourent à démontrer
le besoin d'outils d'aide à la surveillance. Les progrès en anesthésie et en réanimation ont
pour objectifs la réduction de la durée de la médication, de la surveillance, l'accélération et
l'amélioration de la qualité de récupération.
A partir de données hétérogènes, de tels outils devront compter sur des techniques ecaces pour faire la synthèse des données et
la reconnaissance automatique de scénarios
typiques [Dojat and Brochard, 2001].
La reconnaissance automatique de scènes cliniques est cruciale pour deux aspects :
La détection intelligente d'alarmes Les systèmes standards de surveillance basés sur
des seuils d'alarmes pour chaque paramètre sont très primitifs. En général, ils introduisent une pollution sonore au lieu d'informer de manière pertinente sur de vrais
événements cliniques. Au contraire, la fusion d'informations pour la reconnaissance de
scènes cliniques de haut niveau, représentatives de situations acceptables ou délétères
(scénarios) serait très informative pour l'équipe soignante.
La mise en place de protocoles informatisés L'introduction de protocoles ou guidelines, reétant une pratique médicale consensuelle a été proposée pour standardiser le
processus de décision médicale et pour réduire les variations de prise de décison entre
les praticiens [Morris, 1999]. La reconnaissance de scénarios spéciques est alors un
pré-requis pour modéliser le plan d'actions spéciques d'un protocole pré-déni. De la
même manière, la reconnaissance de scénarios peut attester du bon suivi du protocole
par les cliniciens.
2
INTRODUCTION
En pratique, la construction de tels scénarios directement à partir des données ou de la
connaissance experte n'est pas envisageable. Comme il est mentionné dans [Morris, 1999] :
Monitoring, [. . .] with respect to real-world medical environments entails non
trivial data analysis problems. The available data occur at various observation
frequencies (e.g., high or low frequency data), at various regularities (e.g., continuously or discontinuously assessed data), and at various types (e.g., qualitative
or quantitative data) [. . .]. Moreover, the observed data include an unexpected
high volume of faulty data.
Parce que les phénomènes physiologiques sont lents et les données bruitées, les cliniciens
sont plus intéressés par l'évolution d'un paramètre (ou par plusieurs) sur un intervalle de
temps plutôt qu'à un instant précis. En plus de la complexité des données, la connaissance
experte est peu précise sur l'évolution espérée du comportement normal ou non d'un patient
donné. En fait, les cliniciens ne peuvent pas décrire à l'avance les scénarios qu'ils souhaiteraient que le système détecte. La diculté de la description de tels scénarios peut être aussi
expliquée par le fait que :
Chaque patient est unique et les réponses physiologiques à des événements divers sont
très variables parmi les patients.
Pour chaque patient, les réponses physiologiques peuvent dépendre du contexte (nuit
ou jour, . . .).
Le processus de décision médicale peut reposer sur des éléments non accessibles aux
machines (odeurs de la salle de soins, angoisse du patient, . . .).
L'amélioration de la surveillance de patients en USIs est au c÷ur de nombreuses recherches et en particulier en France où a commencé un projet MNRT en 2000.
Le projet OSSCAR
Ce travail de thèse fait partie d'un projet MNRT, OSSCAR pour Optimisation des
Stratégies à partir des Signaux Cardio-Respiratoires en Anesthésie-Réanimation, animé par
Pierre Baconnier (TIMC-IMAG). Il regroupe des chercheurs (Lille 2, TIMC-IMAG Grenoble,
LAG-INPG Grenoble), des cliniciens (CHU Lille, CH Lyon-Sud) et des industriels (RBI et
TAEMA).
Le caractère innovant du projet réside dans une approche commune des diérentes
équipes impliquées (utilisation d'outils, constitution de la base de données, élaboration de
connaissances utilisables en temps réel par le clinicien et par les systèmes de suppléance) et
dans la modulation des informations transmises compte tenu des informations reçues et des
connaissances antérieures.
Ce projet comprend un sous-projet Apprentissage dirigé par Marie-Christine Chambrin
de Lille 2. Les objectifs établis dans le sous projet sont :
1. La dénition de la structure des données communes et des modalités de requête et de
transfert (importation et exportation des données) correspondantes.
2. L'élaboration d'une ontologie des concepts (paramètres, tendances, scénarios) en collaboration avec les cliniciens partenaires.
3. L'entrée des données dans la base de données.
4. Le développement des méthodes d'extraction des connaissances pour l'élaboration des
scénarios.
INTRODUCTION
3
5. La formalisation de la connaissance.
6. L'implémentation des bases de scénarios et confrontation à la pratique médicale selon
diérentes applications (sevrage, levée de sédation).
Ce sous-projet est exploratoire et n'a pas de perspectives industrielles à court terme. Les
participants au sous projet sont des cliniciens des CHU de Lyon et de Lille, des chercheurs
des laboratoires de Grenoble (TIMC (SIC), LAG) et de Lille (Lille 2).
Recherche au sein du projet
Objectif
Dans le cadre de ce sous-projet, nous avons travaillé sur l'apprentissage à partir des don-
nées et de la connaissance experte dans le domaine médical pour la construction de scénarios.
L'objectif à long terme est d'améliorer la supervision de la ventilation par la reconnaissance
de scènes typiques pour aider à la prise de décision (diagnostic, thérapie).
La conception de tels outils se heurte actuellement à une double diculté :
(1) celle d'acquérir les connaissances permettant de décider du caractère alarmant ou
non des événements perçus, et
(2) celle de formaliser les processus décisionnels permettant l'intégration et la fusion des
informations relatives au suivi d'un patient donné.
Support
Nous disposons pour ce projet de données de monitoring acquises en conditions réelles
provenant des hôpitaux de Lyon-Sud et de Lille, qui ont été annotées par un médecin qualié (niveaux de pertinence des alarmes). Ces données constituent une base d'apprentissage
naturelle pour extraire les connaissances requises.
Dans notre étude, le contexte est le sevrage de la ventilation mécanique. C'est une étape
primordiale puisqu'il s'agit de sevrer le patient de la respiration articielle dans les meilleures
conditions. Un sevrage fait dans de bonnes conditions a de nombreux avantages car il permet une diminution de la durée de ventilation mécanique. Et, cette diminution implique des
bénéces pour le patient et pour la santé publique en terme d'économie des dépenses.
L'objectif pratique de la détection de tels scénarios dans le contexte du sevrage est de
pouvoir :
- à long terme, prévoir au plus vite l'échec ou le succès du protocole de sevrage,
- à court terme, expliquer ou prévoir une situation alarmante.
CONTEXTE SCIENTIFIQUE
Le travail de cette thèse présente une méthode pour la découverte de scénarios médicaux,
en particulier l'abstraction graduelle des données est détaillée. La découverte de scénarios
relève de l'extraction de connaissances et comprend, entre autres, les étapes de transformation des données et de fouille de données. Nous développons brièvement ces points dans les
sections suivantes. Ensuite, nous faisons le rapprochement entre la fusion et l'extraction de
4
INTRODUCTION
connaissances, point de vue que nous adoptons pour décrire la méthodologie élaborée dans
ce travail de thèse.
La découverte de scénarios
Dans [Ramaux, 1998], Ramaux donne la dénition suivante :
Un scénario est une description d'un comportement [. . .] d'un système dynamique.
Un scénario représente des liens temporels entre états, événements, . . . et peut être symbolisé
par un graphe avec des contraintes temporelles [Dojat et al., 1998], par exemple. Mais, un
scénario est avant tout une représentation de connaissance.
La
découverte de scénarios, ou plus exactement la découverte des liens temporels
entre états relève de l'extraction
de connaissances à partir des données (ECD).
L'ECD est un processus complexe qui, à partir des données est chargé de découvrir des
connaissances. Les données subissent une première étape de transformation an de mettre
à jour leur potentiel informatif puis des algorithmes sont appliqués pour découvrir des caractéristiques (étape de fouille de données) et, après validation et interprétation, celles-ci
pourront être qualiées de connaissances.
L'étape de transformation se rapporte à un mécanisme d'abstraction. L'abstraction
des
données consiste en l'interprétation de données ; il s'agit principalement de la transformation en des données symboliques et lorsque les données sont temporelles, d'un changement
de granularité temporelle.
Clairement, deux étapes principales sont nécessaires :
et
la transformation des données
la fouille de données pour la découverte de caractéristiques.
Abstraction et fouille
Ces deux étapes sont souvent considérées indépendamment, ce qui semble problématique
[Lavrac et al., 2000] :
So far the two technologies ( data abstraction and machine learning) are progressing independently of each other, although they both have the common objective of
analyzing patient data in an intelligent way, but for dierent purposes ; machine
learning for discovering knowledge, and data abstraction for generating more useful information about a single patient. A research direction worth exploring is the
use of data abstraction in the context of machine learning [. . .].
Ce point est primordial selon nous. Nous défendons l'hypothèse selon laquelle tout le
processus d'ECD est incrémental : les connaissances découvertes peuvent permettre d'améliorer la transformation/abstraction des données qui, à son tour, peut améliorer la qualité
des connaissances découvertes, etc ; le processus s'arrête lorsque les experts du domaine
considèrent les connaissances comme susamment pertinentes.
Ce travail de thèse propose une méthodologie d'extraction de connaissances dans le but
de construire des scénarios médicaux représentatifs de situations de bon ou de mauvais
fonctionnement qu'il s'agira ensuite de reconnaître au plus tôt. Notre objectif est d'extraire,
à partir des données monitorées et des informations disponibles, des séquences abstraites
d'événements pertinents et ensuite de construire des scénarios validés par les experts comme
5
INTRODUCTION
représentatifs d'une classe de situations à reconnaître. Cette construction passe par diérentes étapes, et nous nous intéressons particulièrement à la première, l'abstraction progressive des données. Nous insistons sur l'importance d'une gestion explicite des informations
et des connaissances dans ce processus.
Fusion et ECD ?
La gestion explicite des informations et des connaissances peut consister selon nous, en
un processus de fusion.
La fusion est une façon de combiner des informations (ou données ou connaissances)
dans un objectif précis. Il y a donc deux points clés : la combinaison et l'objectif. Les
objectifs de la fusion peuvent être la synthèse d'informations, la reconnaissance de formes
(voir par exemple la fusion d'images dans [Bloch, 2003]). La fusion dépend des informations
à combiner, de leur caractéristiques, de la méthode de combinaison, . . . Ainsi, la dénition de
la fusion n'est pas exhaustive et elle peut être adaptable suivant les particularités pré-citées.
Par exemple, la dénition que donne Isabelle Bloch dans [Bloch, 2003] ne se rapproche-t'elle
pas de l'extraction de connaissances ? :
En traitement du signal et des images, il s'agit essentiellement, selon la déni-
1
tion , d'améliorer la connaissance du monde (tel qu'il est).
ou encore, la dénition suivante [Wachowicz, 2001] :
[. . .] is a multilevel process that involves combining data (measurements, modalities, variables) from dierent sources and sensors and reasoning about the
semantics of space and time of the information content of this data in order to
perform a specic task in a problem domain and make inferences about events,
states, and patterns
En ce sens (et selon nous), l'extraction
de connaissances peut reposer sur des opéra-
tions de fusion pertinentes.
Nous proposons de développer ce point de vue dans ce travail de thèse.
Dénir une méthode
Le domaine d'application dans lequel cette recherche est eectuée, est un domaine hétérogène et complexe où peu de méthodes claires sont disponibles. Le travail de cette thèse
a donc été, aussi, de tenter de formaliser les problématiques et d'énoncer une méthode de
découverte de scénarios dans le contexte plus général de l'extraction de connaissances.
Dans une première partie, nous détaillons le contexte médical et la problématique de
surveillance associée. Le chapitre 1 présente la complexité des données, l'incomplétude des
connaissances et positionne la problématique de surveillance en USIs par rapport aux autres
problèmes de surveillance cités. De cela, nous en avons déduit l'originalité et la particularité
de notre problématique dans le contexte général de la surveillance de systèmes dynamiques.
1
La fusion d'informations consiste à combiner des informations issues de plusieurs sources an d'amé-
liorer la prise de décision.
[Bloch, 2003]
6
INTRODUCTION
Le chapitre 2 présente les nouvelles voies vers des systèmes de surveillance en USIs, en
particulier par la mise en place de protocoles informatisés. Nous expliquons en quoi précisémment
la construction de scénarios est à la base des protocoles informatisés, et en
quoi leur construction consiste. Nous dégageons les deux points essentiels : l'abstraction des
données et la fouille de données pour extraire des caractéristiques parmi les données.
Dans le chapitre 3, nous étudions l'abstraction
des données et la découverte de
scénarios. Tout d'abord, est proposé un état de l'art non exhaustif des méthodes d'abstraction couramment employées pour la surveillance de patients en USIs. Nous comparons ces
systèmes suivant le processus de fusion employé. Ensuite, nous présentons un tour d'horizon
des méthodes de fouille de données temporelles ; nous insistons sur la notion d'intérêt des
connaissances découvertes.
Le chapitre 4 présente notre
méthode globale d'extraction de connaissances re-
posant sur une ontologie des concepts de données, d'informations et de connaissances. Nous
développerons principalement l'étape d'abstraction des données.
Nous présentons dans le chapitre 5 essentiellement les résultats de l'abstraction des
données et quelques points sur la fouille de données que nous discutons.
Finalement, nous concluons cette thèse par une discussion de la méthode proposée.
Chapitre 1
LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
Un cas à part dans les systèmes de surveillance ?
Dans ce chapitre, nous allons tout d'abord présenter l'organisation d'une
salle de soins, expliquer en quoi consiste le sevrage de la ventilation mécanique
et sa surveillance. Ensuite, nous étudierons les particularités des données et des
connaissances expertes dans ce domaine. Pour conclure, nous comparons plusieurs systèmes de surveillance de systèmes dynamiques dans le monde industriel
et médical an de mettre en avant les spécicités d'un système de surveillance
en anesthésie-réanimation.
1.1 Présentation de l'organisation d'une salle de soins
De nombreux patients séjournant en Unités de Soins Intensifs (USIs) nécessitent une assistance respiratoire partielle ou totale pour prendre en charge une insusance respiratoire.
Ce trouble peut être le résultat d'une détérioration des propriétés mécaniques du poumon
mais aussi d'autres organes comme les muscles ventilatoires, le système nerveux central ou
8
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
le système cardio-vasculaire. On dit qu'un patient est dépendant d'un point de vue respiratoire lorsqu'il a besoin d'une assistance pendant au moins 24 heures ou s'il a échoué lors
de tests pour le replacer en respiration autonome [Collective Task, 2002]. Plusieurs causes
d'une dépendance respiratoire peuvent être répertoriées : des problèmes neurologiques (qui
troublent les cycles respiratoires par exemple), des muscles respiratoires défaillants (la myopathie en est une illustration), des anormalités au niveau des échanges gazeux, des facteurs
cardio-vasculaires (en particulier des disfonctionnements au niveau du ventricule gauche),
des facteurs psychologiques (comme le stress induit par le retrait de l'assistance respiratoire)
(voir [Collective Task, 2002] pour plus de détails).
Dans tous les cas, l'assistance respiratoire justie une surveillance importante. Pour ce
faire, le patient est relié à plusieurs machines (voir gure 1.1) qui sont, en général :
- un ventilateur pour assister/ suppléer la ventilation,
- un moniteur pour la surveillance des paramètres (visualisation des signaux, réglages
de seuils)
- d'autres moniteurs (capnographe, moniteur cardio-vasculaire,. . .),
- des pompes à médicament,
- une centrale de recueil d'informations,
- ...
Fig. 1.1:
La salle de soins
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
9
Depuis quelques années, des progrès techniques ont permis le développement de nombreux appareils de surveillance au lit du patient. Ils se caractérisent par deux fonctions
principales [Biot, 1998] :
- une fonction d'information en temps réel sur l'état physiologique ou physiopathologique
du patient,
- une fonction d'alarme ou d'alerte prévenant de modications des paramètres surveillés.
1.2 Surveillance en salle de soins
1.2.1
En quoi consiste un système de surveillance en USIs ?
La surveillance des patients en salle de soins est un enjeu capital dans les services
d'anesthésie-réanimation. Un nombre limité de personnel médical est chargé de surveiller
des patients qui peuvent se trouver dans des salles de soins séparées. En général, un système
de surveillance regroupant toutes les informations de chaque patient se trouve dans un lieu
déterminé et accessible à tout le personnel. Outre l'accessibilité aux signaux physiologiques
du patient, le système dispose d'un mécanisme de déclenchement d'alarmes sonores. Ce
système consiste en un écran d'ordinateur où sont lisibles les signaux des paramètres du
patient choisi. Ainsi, lorsqu'une alarme se déclenche, l'utilisateur peut accéder aux signaux
du patient et les analyser pour déterminer la gravité, s'il y a lieu, de l'alarme.
1.2.2
En quoi consistent les alarmes ?
Les systèmes de surveillance des salles de soins sont, à l'heure actuelle, assez primitifs.
Ils consistent principalement en le déclenchement d'alarmes primaires et en l'accès aux données numériques des signaux des paramètres surveillés. Les alarmes reètent simplement
le dépassement d'un seuil par le paramètre. Pour chaque paramètre de surveillance, deux
seuils sont xés : un seuil bas et un seuil haut. Entre ces deux seuils, les valeurs du paramètre sont considérées comme non problématiques au contraire des valeurs en dessous et
au dessus. Ces seuils ne sont pas xés automatiquement. Suivant la pathologie du patient,
sa thérapeutique, sa morphologie, le médecin en charge choisit les seuils. Ils sont xes mais
peuvent être modiés (toujours par le médecin) au cours de la surveillance.
1.2.3
Des alarmes pertinentes ?
Dans [Biot et al., 2000], les auteurs évaluent la pertinence des alarmes en réanimation.
Cette pertinence est mise à mal lorsque l'on constate que, dans certains services, le taux
d'alarmes fausses positives (FP : alarmes déclenchées à tort) est de 40 à 90% de la totalité
des alarmes et que la valeur prédictive positive de certaines alarmes est faible. Ils notent
que ces alarmes FP sont la source d'eets délétères [Biot et al., 2000] :
Elles entraînent surtout une pollution sonore qui peut générer une accommodation acoustique avec baisse de vigilance du personnel soignant et un allongement
du temps de réponse dans la prise en charge de l'événement détecté [. . .]. Certaines études en anesthésie ont montré que, pour réduire cette pollution sonore
jugée insupportable, une attitude répandue (plus de 50% des cas dans certaines
études) était d'inactiver volontairement et systématiquement les alarmes sonores.
10
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
Dans [Chambrin et al., 1999], les auteurs font une étude descriptive des alarmes en USIs.
Ils remarquent eux aussi, un taux élevé de fausses alarmes. An d'améliorer les systèmes de
surveillance, ils proposent plusieurs débuts de solution :
- dénir des recommandations pour la surveillance d'un patient suivant la gravité de la
maladie,
- modier les habitudes des inrmiers et l'ergonomie de la salle de soins pour réduire le
nombre de fausses alarmes,
- déterminer de nouveaux algorithmes pour la réduction des fausses alarmes.
Pour les auteurs de [Friesdorf et al., 1999], le problème central de la surveillance des
patients en USIs est le fait qu'elle ne s'attache pas à une analyse globale de l'état du
patient :
In our opinion the key problem is that a patient's treatment, the risk of incidents
and the required monitoring are not considered as a whole.
En conséquence, nous pouvons armer que ces systèmes d'alarmes à seuils xes sont
loin d'être satisfaisants.
Des systèmes plus élaborés ou dits intelligents permettraient de réduire cette pollution
sonore tout en augmentant la valeur prédictive positive. Dans [Friesdorf et al., 1999], les
auteurs critiquent les systèmes de gestion de données qui ne sont capables que de récolter les
données. Pour eux, la question clé est de pouvoir
déterminer un état normal du patient.
Ainsi tout comportement diérent serait considéré comme susceptible d'être alarmant :
During a ward round, prolonged weaning attracts attention. Is this still a normal course or the rst symptom of a beginning lung insuciency ? How can we
discover a disturbance within a normal patient's course ? What is normal ?
This is a question which leads us to the discussion of protocol-driven treatment.
Today's electronic data management systems are appropriate to collect data, but
they are far away from generating alarms related to an expected normal course.
Les systèmes de surveillance s'orientent donc vers une meilleure adaptabilité, une meilleure prise en compte de l'état global du patient et une capacité à mettre en exergue des
comportements de normalité/anormalité du patient.
Nous étudierons ces nouvelles voies dans le chapitre 2. Mais avant, il est important de
préciser la particularité de la surveillance des patients en USIs. Nous allons à présent décrire
les particularités des données habituellement accessibles en USIs et des connaissances expertes. Nous essaierons ensuite d'expliquer pourquoi le problème de surveillance de patients
en salle de soins est spécique par rapport aux autres problèmes de surveillance, que ce soit
dans le monde industriel ou médical.
1.3 Spécicité des données en USIs
1.3.1
Caractéristiques des données médicales
Selon [Cios and Moore, 2002], les données provenant d'un patient sont les données les
plus diciles à analyser. Outre leurs spécicités intrinsèques, que nous détaillerons dans les
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
11
cas des USIs, elles sous-tendent des particularités d'ordre éthique, économique et sociale.
Plusieurs problèmes se posent :
- L'anonymat des données : c'est le plus simple à résoudre du moins dans le cas des
USIs ; il sut de coder le nom du chier.
- La propriété des données : à qui appartient les chiers de données ? Peut-on les partager facilement ? Pour l'instant, il semble que non et la disponiblité de données est
certainement le plus gros problème lorsque l'on veut traiter des données médicales.
L'idéal serait de pouvoir déposer toutes les données sur diérents sites et de pouvoir les récupérer à tout moment (encore, faudrait-il qu'elles soient harmonisées et
documentées (contexte d'acquisition,. . .)).
- Les caractéristiques intrinsèques des données médicales : incertitude, imprécision,
haute dimensionalité, ambiguïté. Nous développerons ces caractéristiques dans le contexte des USIs dans la section 1.3.2.
- La spécicité des connaissances médicales : incertitude, interprétation suceptible d'être
erronée, notion de temporalité dicilement formalisable et des liens mal dénis entre
les données. Nous développerons ces caractéristiques dans le contexte des USIs dans
la section 1.4.1.
1.3.2
Caractéristiques des données d'USIs
Les données obtenues en salle de soins ont de nombreuses caractéristiques et autant de
problématiques associées. Suivant les services et les habitudes des praticiens, elles ne sont pas
identiques d'un service à l'autre. Même si certains signaux physiologiques sont unanimement
surveillés quelques soient le praticien et les machines utilisées comme l'électrocardiogramme
par exemple, d'autres sont spéciques aux habitudes particulières des praticiens (ou à la
disponibilité de certains moniteurs). Ensuite, suivant la thérapeutique appliquée au patient,
toutes les données ne sont pas disponibles continuellement ou, au contraire, d'autres sont
nécessaires et de nouveaux capteurs doivent être introduits dans le système de surveillance.
Hormis ces particularités, les données d'USIs ont des caractéristiques intrinsèques comme la
haute dimensionnalité, l'incertitude, l'imprécision, et l'ambiguïté que nous allons détailler
ci-après.
1.3.2.1
Haute dimensionnalité
Les données d'USIs sont temporelles, et ont une fréquence d'acquisition très élévée. Elle
est de l'ordre de la mesure par seconde et la surveillance d'un patient peut durer jusqu'à
plusieurs semaines . . .
En USIs, la surveillance d'un patient peut impliquer la prise en compte d'un nombre
considérable de variables : les paramètres physiologiques, les paramètres de réglage des machines, les données provenant des laboratoires, les médicaments. . . Le personnel médical se
retrouve alors à devoir ingérer, analyser et éventuellement décider d'une action à entreprendre à partir d'une multitude d'informations.
Ces deux caractéristiques justient amplement la notion de haute dimensionnalité attribuée aux données d'USIs. Le ux de données reste considérable et les algorithmes de
traitement doivent en tenir compte.
12
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
1.3.2.2
Incertitude
An de discerner clairement les notions d'incertitude et d'imprécision, nous allons nous
appuyer sur les dénitions données par Isabelle Bloch dans [Bloch and Maître, 1994] :
[. . .] L'incertitude est relative à la vérité d'une information, caractérisant sa
conformité à la réalité.
Ainsi, la notion d'incertitude peut être rapprochée de la conance attribuée à une information. L'incertitude se réfère au manque d'information sur l'état du monde pour déterminer
si une déclaration booléenne est eectivement vraie ou fausse [Bloch and Hunter, 2001].
Cette conance dans les données médicales est problématique. En eet, l'incertitude est
omniprésente lorsqu'il s'agit de modéliser ou du moins d'expliquer le comportement d'un
patient. Elle peut être la conséquence de plusieurs facteurs :
- le pré-traitement : des machines assistant le patient en salle de soins (voir gure
1), plusieurs sortes de données sont disponibles : des signaux physiologiques et des
valeurs numériques échantillonnées. En général, les valeurs numériques proviennent
des signaux physiologiques comme la fréquence cardiaque de l'ECG par exemple (voir
annexe A). Ce calcul est, la plupart du temps, eectué directement par les machines au
lit du patient et l'accès aux algorithmes n'est pas disponible. De plus, ces algorithmes
dièrent d'une marque à une autre.
- les variables cachées : de nombreux facteurs ne peuvent être quantiables, voire
même numérisés. Un médecin, en rentrant dans la chambre du patient, peut avoir une
impression ou intuition sur l'état du patient par les odeurs, la couleur de la peau. . .
- les relations entre paramètres : les liens entre les paramètres sont dicilement quantiables et mal connus des experts mais nous nous rapprochons ici de la notion de
connaissance experte que nous développerons plus tard.
1.3.2.3
Imprécision
Dans [Bloch and Maître, 1994], l'imprécision est attachée à une anomalie quantitative :
L'imprécision concerne le contenu de l'information et porte donc sur un défaut
quantitatif de connaissance, sur une mesure [. . .]. [. . .] Une proposition peut être
imprécise (cette homme est grand), incertaine (cette lettre arrivera demain)
ou à la fois imprécise et incertaine (il pleuvra beaucoup demain).
L'imprécision se réfère au contenu de l'armation considérée et dépend de la granularité du langage utilisé (par exemple, l'armation il a cinq ans est précise seulement si
l'on veut un âge en années et imprécise si l'on veut un âge en mois) [Bloch and Hunter, 2001].
L'imprécision des données d'USIs peut provenir de plusieurs facteurs :
Le bruit : Par exemple, il peut sure que le patient bouge un membre pour modier
les valeurs du paramètre acquises par un capteur.
Des mesures imprécises : La surveillance du patient consiste principalement en la
surveillance de l'évolution de son comportement. Ainsi, le personnel soignant s'attache
surtout à considérer l'évolution de chaque paramètre surveillé. Il tiendra compte de
l'augmentation d'un paramètre au cours de la dernière demi-heure par exemple. Le
cas de l'électrocardiogramme est frappant. En surveillance, son obtention se fait par
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
13
l'intermédiaire de trois capteurs. Mais, si le médecin ou l'inrmier veut une valeur
précise, il rajoutera des capteurs an d'en avoir huit pour augmenter la précision et la
qualité de la mesure. La précision de mesure peut être faible voire même très faible ;
elle peut atteindre 20% pour certains paramètres.
Néanmoins, les notions d'incertitude et d'imprécison sont souvent dicilement dissociables et classer les données en ces termes peut être sujet à discussion. Comme le notent
les auteurs de [Bloch and Hunter, 2001] :
Generally, a balance exists between uncertainty and imprecision : the more imprecise the statement, the more certain we are about it, and conversely, the more
precise the statement, the more uncertain we are (with respect to a given state
of available information).
1.3.2.4
Ambiguïté
Les données peuvent être interprétables de plusieurs manières. Ici, ce sont bien les données qui sont ambigües et non l'interprétation. Nous aborderons plus tard les problèmes liés
aux connaissances expertes. Par exemple, une chute de la saturation en oxygène peut correspondre à au moins deux événements : une déconnexion du capteur ou une désaturation.
Une instabilité sur un paramètre peut correspondre à du bruit, à une angoisse du patient,
à un signe clinique important ou non, à un changement de thérapeutique. . . Dans bien des
cas, pour un même changement d'évolution ou d'état du paramètre, plusieurs interprétations sont possibles et seule une analyse a posteriori de tous les paramètres par les experts
médicaux peut permettre de discriminer ces interprétations.
1.4 Spécicité des connaissances médicales en USIs
1.4.1
Caractéristiques de la connaissances médicale
La diculté de la formalisation de la connaissance médicale permet de qualier la médecine de science non exacte. Elle est engendrée par l'incertitude des connaissances, ce
qui implique un raisonnement dicilement transcriptible et reproductible. Ceci est d'autant
plus vrai que le taux d'erreurs de diagnostic n'est pas négligeable (puisqu'il est indissociable
du raisonnement humain).
1.4.1.1
L'incertitude en médecine
La médecine est un domaine où la connaissance experte est dicilement formalisable.
L'interprétation de l'état du patient est sujette à l'appréciation du médecin. En eet, bien
que reposant sur des connaissances apprises, l'interprétation est anée, améliorée par l'expérience, l'intuition que l'expert aura su développer grâce à son expérience. L'incertitude,
dans de justes proportions, est omniprésente quant à l'état du patient, son évolution, sa
réaction à une thérapeutique . . . [Szolovits, 1995] :
Uncertainty is the central critical fact about medical reasoning. Patients cannot describe exactly what has happened to them or how they feel, doctors and
nurses cannot tell exactly what they observe, laboratories report results only with
some degree of error, physiologists do not understand precisely how diseases alter
14
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
the normal functioning of the body, pharmacologists do not fully understand the
mechanisms accounting for the eectiveness of drugs, and no one can precisely
determine one's prognosis.
1.4.1.2
Et le taux d'erreurs qui en découle . . .
La médecine est un domaine [Morris, 2002]. . . in which there are available many more
wrong responses than correct ones . . . Elle n'est pas à proprement parler une science exacte ;
les situations sont rarement formalisables. Morris a très bien résumé cette notion dans
[Morris, 2001] :
Human decision-making limitations, perceptual inaccuracies, and variation in
the use and in the interpretation of important clinical variables all make clinicians unable to consistently generate therapeutic decisions that are coherent,
that consider all appropriate options, and that are based on the relevant scientic
evidence.
A cela, il faut ajouter le fait que l'interprétation experte est sujette à des erreurs
[Morris, 2001] :
Clinical error rates are common (about 1-50%). This is an expression of the
general problem : that human error and injury are unavoidable. Even when ICU
errors represent only 1% of clinical decisions and therefore indicate little room
for personal improvement (in that 99% of decisions are correct), clinical ICU
errors and injuries that threaten patient safety occur with distressing frequency.
1.4.2
Caractéristiques des connaissances associées aux USIs
Outre les dicultés inhérentes au domaine médical en général, il faut rajouter certaines
caractéristiques qui sont propres au domaine des USIs : la gestion d'un nombre important
d'informations disponibles, de la notion de dynamique, de l'explicitation des relations entre
plusieurs variables.
1.4.2.1
Un nombre important d'informations à traiter
Le clinicien est confronté à une multitude d'informations (voir le paragraphe `Haute
dimensionnalité de la page 11) qu'il doit intégrer, décompiler an de prendre une décision.
De même, cette source importante d'informations l'empêche d'expliciter des connaissances
intégrant autant de paramètres. Il est même tout à fait illusoire de penser qu'il est capable
d'eectuer un tel exploit [Fried et al., 2002] (reprenant Miller dans [Miller, 1956]).
While a physician can be confronted with more than 200 variables of the critically
ill patients during a typical morning round, it is well-known that human beings
are not able to develop a systematic response to any problem involving more than
seven variables.
1.4.2.2
Une notion de temporalité à dénir
Alors que les données sont acquises à une fréquence d'échantillonnage élevée, le personnel
médical tient compte essentiellement de l'évolution de ces données. A partir d'une succession
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
15
de données instantanées, il raisonne naturellement sur des intervalles de temps. Cependant, il
ne s'agit pas d'un raisonnement pré-déterminé. La diculté du passage instantané/intervalle
dans l'interprétation des données est d'une complexité importante [DeCoste, 1991] :
Interpreting behaviour across a span of time is more dicult than interpreting
behaviour at a single time.
Tout le raisonnement nécessaire pour ce passage n'est pas objectif, dicilement reproductible. Un gros décalage existe entre la temporalité des données et le raisonnement du
personnel médical. Ce dernier n'est pas capable de décrire la dynamique d'un paramètre à
la seconde près, ce qui, d'aillleurs, n'est pas nécessaire dans un contexte de surveillance.
1.4.2.3
Des comportements du patient dicilement formalisables
Bien évidemment des liens entre paramètres sont connus mais ils restent tout à fait
ous. Par exemple, on sait que tel paramètre est lié à un tel autre. Mais ce lien n'est pas
descriptible de façon précise (voir section précédente sur la temporalité par exemple). Outre
ce manque de description formelle, la synthèse de toutes les données disponibles n'est pas
possible pour un médecin malgré toutes les compétences qu'il peut avoir [Fried et al., 2002] :
[. . .] humans are limited in their ability to judge the degree of relatedness between
only two variables.
De plus, il y a une réelle diculté à obtenir des représentations de toutes les situations
des patients possibles. Malgré le fait que les données aient une haute dimension, elles ne
couvrent pas toutes les situations puisque chaque patient a des réactions diérentes suivant
sa morphologie, sa thérapeutique. . . Si on rajoute la pauvreté de la formalisation médicale,
on comprend d'autant mieux l'incapacité des médecins à représenter des situations typiques
de comportement du patient.
1.5 Bilan : Des caractéristiques particulières de la surveillance
en USIs
1.5.1
Des données complexes et des connaissances incomplètes
Nous avons vu les dicultés particulières liées aux données elles-mêmes et aux connaissances expertes disponibles. Pour résumer, la modélisation en USIs représente un vrai dé.
Les données sont temporelles, de haute dimension, incertaines, imprécises et ambigües. Les
connaissances du domaine sont diuses, incomplètes et non formalisables par les médecins.
A ces deux points, il faut rajouter le fait qu'il est complexe de représenter des comportements typiques de patients puisque :
Des données de haute dimension ne garantissent pas de reéter tous les comportements
possibles des patients, en particulier à cause de leur éventail important.
Les connaissances du domaine sont peu manipulables et peu transcriptibles ce qui
gêne une telle représentation.
1.5.2
La surveillance : un équilibre entre les données et les connaissances ?
Un système de surveillance d'un système dynamique est bien souvent construit à partir
de données et/ou de connaissances ; l'équilibre de ces deux sources est même primordiale.
16
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
Comme nous l'avons vu, les systèmes de surveillance en USIs sont très primaires. Ceci peut
s'expliquer par la mauvaise qualité des données et connaissances du domaine.
An de développer et argumenter la question de l'équilibre entre les données et les
connaissances, nous allons à présent étudier d'autres systèmes de surveillance dans des
domaines variés. Ceci nous permettra de mettre en avant le rôle véritable des données et
connaissance dans la construction d'un système de surveillance.
1.6 Des systèmes de surveillance dans d'autres domaines
Nous proposons une présentation succincte de quelques exemples de surveillance de systèmes dynamiques. Cette liste n'est pas exhaustive et met en avant simplement la diversité
de ces applications. Nous verrons qu'elle nous permet tout de même d'en dégager certaines
analogies ou dissemblances. Ainsi, elle souligne le fait qu'aucun problème de surveillance
n'est le même ou du moins, que chaque problème de surveillance a des spécicités qui lui
sont propres. Néanmoins, an d'en dégager une analyse pertinente pour situer notre travail,
nous nous focaliserons sur les particularités liées à la nature des données d'entrée et à la
disponibilité de connaissances a priori. Ces deux caractéristiques sont tout à fait capitales
lorsque l'on a aaire à un problème de modélisation. Un tableau récapitulatif et très simplié est donné à la n de cette section. Nous commençons par étudier des systèmes dans
le monde industriel puis nous terminerons par un exemple médical.
1.6.1
Surveillance de réseaux de télécommunications
Dousson et al [Dousson and Duong, 1999] [Dousson, 2002] proposent un système de surveillance d'un réseau de télécommunications à partir d'un journal d'alarmes. Un journal
d'alarmes consiste en la génération automatique et spontanée d'alarmes par les équipements du réseau et transmises jusqu'à un superviseur central. Ces journaux intègrent de
nombreuses fausses alarmes qui sont dues aux automatismes du réseau. Elles doivent donc
être ltrées an de ne garder que celles ayant un caractère véritablement informatif. Dousson
et al proposent une méthodologie se basant sur l'idée que les phénomènes qui se répètent
fréquemment peuvent permettre de réduire de façon signicative le nombre d'alarmes présentées à l'opérateur. Ainsi, les auteurs construisent des algorithmes permettant de découvrir
des chroniques (ensemble d'alarmes contraintes temporellement entre elles) se répètant fréquemment. L'idée directrice est qu'une chronique est fréquente si toutes ses sous-chroniques
le sont. Ensuite, ces chroniques sont ltrées en construisant un graphe de dépendances entre
celles-ci an de ne garder que les plus pertinentes pour simplier l'analyse dans le processus
de supervision. . . Pour ce faire, l'idée est que si une chronique est toujours incluse dans une
autre chronique fréquente alors elle ne sera pas conservée. Enn, un expert qualie chaque
chronique (parasite ou dysfonctionnement) découverte par les algorithmes qui sera alors
montrée ou non dans le processus de supervision.
Dans [Dousson, 2002], Dousson propose d'étendre la méthode proposée en 1999 an
d'introduire la possibilité de compter les alarmes dans l'algorithme. Plusieurs occurrences
d'alarmes peuvent être synonymes d'un problème et compter alors le nombre d'alarmes peut
permettre de donner un ordre de grandeur de la sévérité du problème. De plus, certaines
erreurs du système ne sont reconnaissables que par le comptage des alarmes.
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
Bilan
17
Il s'agit dans ces articles d'une analyse fréquentielle ; les journaux d'alarmes men-
suels intégrent approximativement 40000 alarmes. Mais les situations de pannes rares ne
sont pas détectées et l'on peut se demander si les scénarios les plus fréquents sont les plus
pertinents. La faible quantité de connaissances a priori est compensée par une importante
quantité de données. Les traitements ont été appliqués directement aux données (les alarmes
associées à un temps d'occurrence) sans interprétation, ni transformation au préalable. Elles
ont donc été considérées comme susamment informatives.
Dans les exemples suivants, au contraire, les auteurs ont à disposition une expertise
du domaine bien dénie par des classes de comportements normaux ou non, par exemple.
En particulier, dans les deux problèmes de surveillance suivants, les données d'entrée sont
simulées pour pallier la complexité des données brutes, ce qui nécessite une connaissance du
domaine bien formalisée.
1.6.2
Surveillance d'un système pour la transformation du dioxyde de
carbone
Lerner et al [Lerner et al., 2002] présentent un système (Reverse Water Gas Shift system
développé à la NASA), dédié à la transformation du dioxyde de carbone de l'atmosphère
de Mars en oxygène. S'il est envoyé sur Mars, il devra agir seul, sans assistance humaine et
donc posséder un système automatique de surveillance, et même de prédiction. La quantité
de capteurs, le bruit engendré, des données obtenues à un grain de temporalité variable
. . . en font un système complexe. Les auteurs modélisent alors les données an de nourrir
un réseau bayésien dynamique. Ce réseau possède pour chaque instant 33 variables discrètes
et 184 variables continues. Les variables discrètes sont toutes connues et correspondent aux
réglages de contrôle et aux défauts des capteurs. Les variables continues sont les valeurs des
éléments du système (température, composition des gaz). Les auteurs démontrent la faisabilité d'un tel réseau. Pour cela, ils comparent les prédictions de leur modèle avec les mesures
réelles pour certains scénarios
2 . Les résultats obtenus sont encourageants et dans certains
cas, le modèle est même capable de reconnaître des comportements complexes. Dans leur
modèle, toutes les variables sont observables et ils envisagent de l'améliorer en incluant des
variables cachées an de détecter des dysfonctionnements de composants.
Bilan
Dans cette application, les données brutes sont complexes mais la connaissance a
priori dans ce domaine est bien dénie et l'état de fonctionnement régulier est modélisable.
Ainsi, les auteurs peuvent modéliser les données en s'appuyant sur des modèles physiques
courants. Il ne s'agit pas d'une recherche exploratoire au sens strict puisque les paramètres
et leurs relations sont déjà établies. La diculté de leur projet réside principalement dans
la faisabilité d'un tel réseau vu le nombre élevé de n÷uds et l'intégration de variables à
granularités temporelles diverses.
2
état stable, état non stable, déconnexion de capteur, et les modications de la modélisation des capteurs
(augmentation du bruit sur le modèle par exemple).
18
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
1.6.3
Surveillance de turbines à gaz
Travè-Massuyès et al [Travé-Massuyès and Milne, 1997], présentent le système de surveillance en continu de turbines à gaz Tiger. Il permet en particulier à un ingénieur de
revenir à ce qui a pu se passer durant la nuit ou à un moment où il n'était pas disponible.
Tiger est constitué principalement de deux modules : un pour le diagnostic et un pour la
détection de fautes. Ce dernier coordonne les conclusions du module de diagnostic. Celui-ci
est composé de plusieurs sous-modules. L'ensemble de ces modules de diagnostic permet
de déterminer des dysfonctionnements diérents. Un premier module consiste en la comparaison de chroniques, l'une dénie par l'utilisateur et l'autre provenant du système. Un
deuxième module permet la comparaison de données simulées et d'un comportement normal
modélisé et basé sur un modéle qualitatif. Lorsqu'un problème est diagnostiqué, une alarme
est provoquée et l'ingénieur peut, grâce à une interface graphique, sélectionner les diérents
dysfonctionnements évalués et recevoir les causes plus précises. Il peut même revenir aux
données.
Dans [Yu et al., 2001], Yu et al cherchent à améliorer le module de diagnostic. En eet,
une turbine à gaz peut fournir jusqu'à 600 mesures de données par seconde. L'ingénieur
chargé de la surveillance peut donc avoir du mal à assimiler cette quantité de données et à
les comparer à des modèles pré-dénis. Les auteurs proposent une méthode pour résumer les
données et sélectionner les événements importants. Ces résumés pourront aider les ingénieurs
à comprendre la dynamique d'une grande quantité de données dicilement représentable
sur un seul écran. Un algorithme sélectionne les événements importants à reconnaître. Un
évènement est représenté par un pattern qui est lui-même représenté par une chronique.
Les auteurs composent ensuite une classe de comportements normaux ou anormaux qui
seront comparés aux données. Dans [Yu et al., 2002] , [Yu et al., 2003], Yu et al améliorent
le système de visualisation des patterns
3 en donnant la possibilité de changer l'échelle
4
temporelle . L'évaluation est en cours mais les résultats préliminaires montrent une bonne
reconnaissance des patterns.
Bilan
Dans cet exemple, le modèle formel du système physique est construit à partir de la
connaissance sur le comportement du système. Cette connaissance consiste en l'élaboration
de classes de comportements normaux et anormaux, ce qui caractérise une connaissance a
priori importante du domaine ; elle est présente aussi dans l'élaboration des données simulées. Le ux de données est aussi important.
Pour les derniers exemples, sont considérées comme données d'entrée, des données transformées ou interprétées.
3
Les patterns étant des patterns primitifs symbolisant des oscillations ou des changements de niveau.
Les patterns changent d'aspect suivant leur échelle temporelle ; ils sont multi-niveaux. Une oscillation
d'un paramètre détectée à une grande échelle peut s'avérer être des changements de niveau à une plus petite
échelle par exemple.
4
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
1.6.4
19
Surveillance d'une usine de traitement des eaux usées
Dans [Cortés et al., 2002] et [Rodriguez-Roda et al., 2002], il s'agit de la supervision et
du contrôle des opérations d'une usine de traitement des eaux usées. Le système implémenté
intégre des algorithmes avancés de contrôle basés sur la connaissance heuristique et sur un
raisonnement à partir de cas dans une architecture hybride. Les données en temps réel
du système sont des signaux numériques (120) et analogiques (20). Les données en diéré
comportent des informations numériques et qualitatives jusqu'à 158 variables (comme des
analyses de laboratoire par exemple). L'architecture hybride repose sur un système expert
et un système basé sur des cas. Pour le premier, les données sont transformées
5 par des
méthodes statistiques classiques et mono-paramétriques puis le module de méta-diagnostic
propose (à l'aide d'arbres) une stratégie pour résoudre le probléme posé. Pour le second, la
stratégie est donc de comparer la situation courante à une base de cas et éventuellement de
l'enrichir. Ces deux systèmes nourrissent ensuite un module de supervision et de prédiction
en comparant leurs résultats. Le diagnostic nal est soumis à un expert qui décide de la
meilleure stratégie à suivre. La validation du système global a été eectuée pendant quatre
mois et montre un taux de 80% de bons diagnostics.
Bilan
Ce projet met l'accent sur une architecture hybride permettant une meilleure ap-
préhension du problème. Ce système hybride consiste en deux modules ayant les propriétés
suivantes :
la possibilité de transformer les données brutes (qui sont présentes en grand nombre)
pour nourrir le système et,
l'accès à une grande quantité de connaissances a priori par le biais de la base de cas.
1.6.5
Surveillance de l'électrocardiogramme d'un patient
Dans le but d'assister les médecins dans l'analyse des électrocardiogrammes, Carrault et
al [Carrault et al., 1999], [Carrault et al., 2003] ont proposé un système pour l'aide à la reconnaissance d'arythmies cardiaques (anomalies de l'ECG). Un électrocardiogramme reéte
l'activité du champ électrique induit par la fonction cardiaque. Pour la mesurer, plusieurs
électrodes sont nécessaires que l'on appelle voie (pour plus de détails voir le mémoire de
DEA de Fildier [Fildier, 2001]). Les données dont les auteurs disposent sont des valeurs
symboliques (normal,. . .) sur les diérentes ondes (P, QRS,. . .) de l'électrocardiogramme.
Le système proposé apprend des règles caractérisant des arythmies grâce à un apprentissage
6
par programmation logique inductive .
Cet apprentissage est eectué à partir de données multi-sources provenant de voies diérentes. Deux méthodologies basées sur une problématique de fusion de données sont proposées dans [Fromont et al., 2004] : agréger les informations provenant des diérentes sources
pour obtenir une base d'apprentissage ou apprendre séparément les régles sur chaque source
puis fusionner les règles obtenues. Les résultats sont prometteurs et une étude plus approfondie de la fusion de ces données est en cours an d'améliorer la pertinence des résultats.
5
en données symboliques
La programmation logique inductive consiste en une théorie initiale B (connaissance a priori ) et des
exemples E ; l'objectif est de produire une théorie H (hypothèses) qui explique avec B, des propriétés de E
[Lavrac, 1998].
6
20
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
Bilan
Dans cet exemple, on peut remarquer tout d'abord que les données d'entrée du sys-
tème ne sont pas des données issues directement des capteurs. Un travail de transformation
et d'interprétation a déjà été produit. La base de données est importante ; elle comprend
les chiers de 72 patients, pouvant avoir une durée de plus de 40 heures
7 . Ensuite, comme
nous l'avons signalé, la programmation logique inductive nécessite des connaissances a priori
précises et une base d'exemples positifs et négatifs.
1.6.6
Comparaison des diérents systèmes de surveillance répertoriés
Bien que les applications et les modèles d'apprentissage soient très diérents, nous avons
tenté de les comparer suivant des critères généraux, qui sont les caractéristiques des données
d'entrée et la connaissance disponible pour construire le modèle (voir tableau 1.1).
7
Et la période d'échantillonnage d'un ECG est de l'ordre du centième de seconde.
21
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
Systèmes
Données
Données
Données
Quantité
Connais-
de
brutes
transfor-
modéli-
de
sances
mées
sées
connais-
formali-
sances
sées
don-
nées
Réseaux
Connaissance a priori
Données d'entrée
Quantité
élevée
oui
non
non
faible
non
élevée
non
non
oui
élevée
oui
élevée
non
non
oui
élevée
oui
élevée
non
oui
non
élevée
oui
élevée
non
oui
non
élevée
oui
de
télécommunications
Transformation
du CO2
Turbines
à gaz
Traitement
des
eaux
usées
ECG
Les diérents systèmes de surveillance suivant les données d'entrée, la
connaissance. Au niveau des données d'entrée, la comparaison se fait suivant plusieurs caractéTab. 1.1:
ristiques : la quantité de données nourrissant le modèle et la qualité des données (brutes, modélisées
ou simulées, transformées ou interprétées). Par quantité de données, on entend non pas le nombre
de variables mais le nombre de mesures de chaque variable. On remarque que pour les systèmes dont
les données d'entrée sont modélisées, leur quantité est décidée par les utilisateurs ; c'est pourquoi
nous l'avons qualiée d'élevée. Pour la connaissance, on considère la quantité de connaissance
et sa qualité, à savoir si elle est formalisable.
Au vu de ce tableau, nous pouvons tirer quelques remarques. Pour la plupart, la connaissance a priori du domaine est bien connue et formalisable, c'est à dire directement utilisable.
Pour toutes ces applications, la quantité de données disponibles est élevée. Seul la modélisation des réseaux de télécommunications utilise les données brutes ; les autres considèrent
des données modélisées ou interprétées.
A partir de ces simples remarques, nous pouvons en déduire certains points. En particulier :
Lorsque la connaissance a priori est faible (voir exemple sur la modélisation des réseaux de télécommunications), une grande quantité de données peut permettre une
analyse statistique des données d'autant que ces dernières sont très informatives (et
donc ne nécessitent pas de transformation).
Lorsque la connaissance a priori est importante et formalisable, elle permet de compenser les problèmes liés aux données comme le bruit, l'imprécision (voir exemple sur
la modélisation d'un système pour la transformation du dioxyde de carbone) . . . par
la possibilité de leur simulation.
La transformation des données est rendue nécessaire lorsque les données brutes ne
sont pas considérées comme susamment expressives ou informatives. La conance
22
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
attribuée en cette interprétation des données est assurée par la connaissance a priori
importante et par la quantité de données brutes
1.6.7
8.
Où l'on envisage d'autres systèmes de surveillance pour les USIs
Pour résumer brièvement, on peut dire que, en général, lorsque les données ne sont pas
ou peu informatives, la connaissance a priori du domaine peut compenser ce manque. Par
contre, lorsque les données brutes sont en grand nombre ou/et informatives, la recherche
d'un modèle d'apprentissage peut se faire de manière exploratoire.
De manière très grossière, il nous semble qu'un système d'apprentissage pour la surveillance d'un modèle dynamique repose sur un équilibre entre les qualités des données et
des connaissances. Mais qu'en est-il lorsque cet équilibre n'est pas présent comme en USIs ?
Dans le chapitre suivant, nous décrivons les techniques de surveillance ou du moins les recherches vers des systèmes de surveillance spéciques aux USIs. Ces dernières proposent
une voie tout à fait originale (par rapport aux autres systèmes de surveillance) vers une
surveillance appropriée au contexte des USIs, qui facilitent l'acquisition des données et la
formalisation des connaissances.
8
Mais pour l'exemple de la surveillance de l'électrocardiogramme, elles sont fournies déjà transformées.
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
23
Bilan : un système de surveillance particulièrement dicile
à modéliser !
La surveillance en USIs, de par ses spécicités (tant au niveau des données
que des connaissances), est complexe puisque :
- Elle est exploratoire ; les connaissances du domaine sont incomplètes et
limitées.
- Les données sont complexes par bien des aspects (haute dimensionnalité,
. . .).
- La représentation de comportements typiques du patient n'est pas réalisable à cause du manque de formalisation des connaissances et de l'insufsance de données reétant le même comportement.
Ces caractéristiques poussent le développement de méthodes particulières
que l'on détaille dans le chapitre suivant.
24
Chapitre 1 : LA SURVEILLANCE EN UNITÉS DE SOINS INTENSIFS
Chapitre 2
DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS
PERTINENTS EN USIs ?
Vers la standardisation des pratiques médicales
Dans ce chapitre, nous présentons les moyens mis en ÷uvre pour une standardisation de la surveillance en USIs : la mise en place de protocoles. Nous
étudierons leurs avantages et leurs inconvénients. Nous détaillerons un protocole spécique pour le sevrage, qui est une étape primordiale dans les USIs.
Enn, nous introduirons les moyens d'informatiser ces protocoles ; cette informatisation permet de pallier les inconvénients des protocoles en langage naturel
décrits par les médecins. Nous introduirons la notion de scénario qui est primordiale pour l'informatisation des protocoles informatisés. Nous dégagerons enn
la problématique de notre travail.
Dans le chapitre précédent, nous avons vu que la surveillance de patients en anesthésie-réanimation consiste principalement en l'acquisition, le stockage et la visualisation des données
[Dojat and Brochard, 2001]. Les médecins ont commencé ces dernières années à mettre au
point des protocoles thérapeutiques an d'essayer d'unier et de standardiser les soins des
26
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
patients. Mais ces protocoles sont construits en langage naturel et des recherches ont été
eectuées an de les informatiser : cette informatisation est tout à fait envisageable d'un
point de vue pratique puisque la surveillance en USIs engendre l'acquisition de données de
haute dimension, comme nous avons pu le voir. Par ailleurs, le développement des protocoles
permet :
(1) D'une part, la mise en place d'un recueil de données. Les données sont automatiquement enregistrées, et peuvent l'être en grand nombre : les recueils d'un même
protocole assurent l'homogénéisation des données puisqu'elles sont acquises dans le
même contexte (en particulier, parce que le protocole nécessite de sélectionner les
patients suivant un même prol). La possiblité qu'elles reètent le même type de
comportement est d'autant plus grande.
(2) D'autre part, d'aider à la formalisation des connaissances. Elle est même l'élément
essentiel de la construction des protocoles, elle est aussi facilitée par la contextualisation du protocole qui réduit l'espace des connaissances.
Ainsi,
les protocoles permettent de faciliter la formalisation des connaissances
et l'acquisition des données. Ces deux aspects rendent possible une homogénéisation
des données et connaissances (puisqu'elles sont contextualisées) ce qui permet un meilleur
équilibre qualité et/ou quantité.
Ce chapitre est donc centré sur les protocoles (ce en quoi ils consistent) et leur informatisation éventuelle avec quelques débuts encourageants. Cependant, nous n'oublions pas la
perspective de construction d'alarmes intelligentes.
Dans la première section, nous dénissons les protocoles et dans la deuxième, nous
présentons l'exemple du protocole de sevrage. Ensuite, la troisième section présente l'informatisation des protocoles, en quoi elle facilite et améliore le suivi des patients. Des exemples
de représentation de protocoles informatisés sont présentés. La notion de scénario est introduite. Dans la quatrième section, nous développons le rôle des scénarios dans les protocoles
informatisés. Enn, nous nissons par la problématique du travail de thèse.
2.1 La mise en place de protocoles
Dans cette section, nous dénissons ce que sont les protocoles ou guidelines, dans
quelles circonstances ils peuvent être utilisés et enn, pourquoi ils permettent eectivement
une amélioration de la surveillance.
2.1.1
Qu'est-ce qu'un protocole ?
Les guidelines ou protocoles reètent une pratique consensuelle et ont été proposés
pour standardiser le processus de prise de décision et pour réduire les variations inutiles
de raisonnement entre les praticiens [Morris, 2001]. Les protocoles sont rédigés en langage
naturel et interprétés par les médecins. Ils consistent en une pratique standardisée, suivant
une ligne conductrice dénie préalablement. Par exemple, un protocole de sevrage de la
ventilation mécanique, déni habituellement par les médecins, consiste en plusieurs étapes
(voir gure 2.2). Chaque patient est soumis à une série de tests, puis il est soumis à une
ventilation plus douce puis sevré.
Le protocole de sevrage présenté dans la gure 2.2 est construit de la manière suivante :
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
Fig. 2.2:
27
Un exemple de protocole de sevrage d'après [Esteban and Alia, 1998]
Tous les patients susceptibles d'être sevrés passent de nombreux tests de type quanti-
=
tatif sur des paramètres physiologiques (f VT correspond au quotient de la fréquence
respiratoire sur le volume courant) et des tests qualitatifs quant au comportement du
patient (éveillé ou non, angoissé ou non).
Si les tests sont négatifs, on ne fait pas de tentative, le patient reste en ventilation
mécanique et sera re-testé ultérieurement. Si les tests sont positifs, on le place sous
ventilation spontanée (VS) à l'aide d'une pièce en T ou d'une aide en pression.
Si le patient ne supporte pas très bien cette ventilation, il va lui être préconisé un
sevrage progressif qui va consister en un essai de deux heures avec par exemple une
aide en pression plus importante.
Ensuite, il est extubé et récupère une ventilation autonome. Si dès le départ, le patient
supporte bien l'essai de ventilation spontanée, il est extubé rapidement. Dans ces deux
cas, on a une réussite du protocole de sevrage. Mais le patient devra respirer par luimême pendant au moins 24 heures avant de pouvoir dire que le sevrage est réussi. Le
protocole peut très bien réussir mais quelques heures plus tard, le patient montrant
des problèmes respiratoires, doit être replacé sous ventilation mécanique.
28
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
2.1.2
Une amélioration de la surveillance ?
Le suivi de protocoles a un réel impact sur l'amélioration de la prise en charge des
patients en USIs. Il permet une meilleure ecacité des soins dans la mesure où leur standardisation permet leur uniformité. Tout le personnel soignant en charge (inrmiers, médecins,
kinésithérapeutes,. . .) suivra le même protocole pour le même patient et leur approche thérapeutique aura ainsi le même but connu de tous. Cette pratique diminue ainsi les variations
quant au traitement attribué au patient.
Dans [Burns et al., 2003], Burns et al proposent une étude de l'eet du suivi de protocoles
dans cinq services d'anesthésie-réanimation. Ils montrent que :
This institutional approach to the care of patients ventilated
>3
days improved
all clinical and nancial outcomes of interest.
Les auteurs notent une diminution de la durée de la ventilation mécanique ; les patients sont plus rapidement sevrés, ils recouvrent plus rapidement une ventilation autonome.
Comme nous le verrons plus tard, moins un patient est longtemps ventilé mécaniquement
moins il a des séquelles physiques et physiologiques. Sa durée d'hospitalisation sera alors
plus courte. La mortalité est aussi moins importante. Ces caractéristiques sont répertoriées
dans l'étude de [Burns et al., 2003]. Elle porte sur 510 patients témoins et 590 patients
surveillés à l'aide d'un protocole et d'une personne chargée exclusivement du bon suivi du
protocole.
Clinical data for the ve units combined demonstrate a statistically signicant
decrease in vent days, ICU and hospital LOS (length of stay), and mortality rate
[. . .]. Median vent days declined from 10 to 9 days ; median ICU LOS declined
from 15 to 12 days ; and total hospital LOS declined from 22 to 20 days.
Ainsi, vu le coût important de la prise en charge d'un patient dans un service d'anesthésie-réanimation, les économies conséquentes ne sont pas négligeables. Toujours dans
l'étude [Burns et al., 2003], les auteurs montrent une nette diminution des coûts :
The reduction in ICU LOS and overall hospital LOS resulted in substantial institutional cost savings. Direct and total cost gures were generated by our institution's cost accounting system to estimate savings related to the interventions.
Total costs attributed to the LTV (long-term ventilation) population declined by
approximately $3 millions for the rst year of the OM (outcome managers) intervention.
2.1.3
Dicultés de la mise en place des protocoles
Même si les bénéces des protocoles sont incontestables, il y a peu d'études sur leur
suivi, leur mise en application [Burns et al., 2003] :
[. . .] we have little information on the sustainability of practice change initiatives using protocols and guidelines previously applied sucessfully during a study
interval.
Dans [Burns et al., 2003], Burns et al préconisent la présence d'une personne responsable
uniquement de la bonne mise en place et du suivi consciencieux du protocole. Cette condition est primordiale à leurs yeux pour pouvoir faire une étude ultérieure sur les bénéces
engendrés par ces pratiques :
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
29
Early in the project we realized the need for someone to be responsible for pathway
and guideline adherence, as well someone responsible for data collection, if the
project goals were to be realized.
Cette personne doit s'assurer que les diérentes étapes du protocole sont appliquées
dans de bonnes conditions et de manière adéquate. Puisqu'il n'est pas possible de deviner
à l'avance le comportement du patient et ses réactions, le chemin n'est pas toujours prédictible et en particulier lorsque son état se complique et qu'il est nécessaire de faire un
nouveau diagnostic. Ainsi la personne en charge suit les recommendations du protocole et
adapte la thérapeutique en fonction.
2.1.4
Des protocoles contextuels ?
Les guidelines ou protocoles nécessitent de dénir un contexte précis d'utilisation et
ne peuvent, à l'heure actuelle, être applicables que dans certaines situations. Autrement
dit, il faut restreindre l'espace de recherche pour les décrire et leur utilisation ne peut donc
être eectuée que dans un certain contexte. Diérentes situations s'y prêtent bien comme le
sevrage de la ventilation mécanique que nous décrivons dans la section suivante.
2.2 Le protocole de sevrage
Nous allons à présent détailler une étape importante en réanimation médicale : le sevrage.
C'est une étape primordiale puisqu'il s'agit de sevrer le patient de la respiration articielle dans les meilleures conditions. Comme nous l'avons vu dans la section 2.1.2, un sevrage
fait dans de bonnes conditions a de nombreux avantages puisqu'il permet une diminution
de la durée de ventilation mécanique. Et, cette diminution implique des bénéces pour le
patient et pour la santé publique en terme d'économie des dépenses. Les enjeux du sevrage
seront détaillés dans la section suivante.
Outre l'importance de ces deux points, le sevrage a l'avantage d'avoir été souvent étudié
dans la littérature : il existe à ce jour beaucoup de protocoles de sevrage. Ces protocoles diffèrent principalement par la forme (thérapeutique diérente, modes de ventilation diérents,
. . .) mais le fond reste à peu près identique (nombre d'étapes, . . .) (voir section suivante).
Néanmoins, il reste plusieurs problématiques primordiales comme, par exemple, le choix du
moment où débuter le sevrage (voir section 2.2.1.2). De plus, durant la phase de sevrage,
de nombreux événements ont lieu (puisque le patient est stimulé par des changements de
modes de ventilation . . .) comme des alarmes ou des soins ,. . . dans un temps limité. Cet
état de fait permet donc de pouvoir étudier les réactions du patient à des stimuli dans un
temps raisonnable.
Toutes ces raisons nous ont poussés à étudier le sevrage et à contextualiser notre travail.
2.2.1
Présentation du sevrage : dénition, protocole, dicultés
Ce chapitre est inspiré de l'article [Richard et al., 2001] publié dans la revue spécialiste
Réanimation en 2001.
30
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
2.2.1.1
Dénition
La ventilation mécanique est associée à la survenue de complications dont l'incidence est
d'autant plus grande que la durée de l'intubation est plus longue. La ventilation mécanique
est par dénition invasive. A l'aide d'une sonde, de l'air est insué au patient. Plusieurs
modes de ventilation mécanique existent mais les principaux sont une ventilation à pression
ou à débit constant. Les cycles respiratoires peuvent être totalement (début, durée, n),
ou partiellement (début déclenché par le patient) imposés par le ventilateur. Les premiers
sont appelés des modes contrôlés et les seconds des modes assistés. Le fait d'imposer un
mode respiratoire ne doit pas être prolongé plus que nécessaire puisqu'il est contraignant
au niveau de tout le système respiratoire du patient. Comme le soulignent les auteurs de
[Richard et al., 2001],
[. . .] souvent la ventilation mécanique est inutilement prolongée comme en atteste le faible pourcentage de réintubations des patients extubés de manière non
programmée et l'impact favorable de la mise en place d'un protocole de sevrage.
A l'inverse, l'échec d'une extubation programmée est responsable d'une augmentation de morbidité et de mortalité.
Ainsi, un protocole de sevrage se divise, en général, en trois parties. La première consiste
à faire passer des tests au patient (angoisse du patient, valeur de paramètres, . . .). En cas de
réussite de ces tests, la deuxième étape est la mise en ventilation spontanée du patient où il
peut respirer d'une manière plus naturelle. Si cette étape est réussie, le patient respire par
lui-même. Le sevrage est dit réussi si le patient peut respirer de façon autonome pendant au
moins 48 heures. En cas d'échec, il est replacé sous ventilation mécanique jusqu'à un autre
essai (voir gure 2.2 pour un exemple de protocole de sevrage).
2.2.1.2
Les dicultés du protocole de sevrage
Cependant, les étapes du sevrage sont encore mal dénies. Suivant les thérapeutes, les
tests d'entrée ne sont pas les mêmes, la ventilation spontanée n'a ni une durée ni un mode dénis. Plusieurs protocoles de sevrage sont référencés (voir par exemple [Weavind et al., 2000],
[Esteban and Alia, 1998], [Ely, 1996], [Ely et al., 1999]). Des questions restent toujours d'actualité :
- Quand débuter le sevrage de la ventilation mécanique ?
- Peut-on prévoir que le sevrage de la ventilation mécanique sera dicile ?
- Comment conduire le sevrage de la ventilation mécanique ?
Dans le papier collectif [Collective Task, 2002], les auteurs proposent plusieurs recommandations pour une bonne conduite du sevrage, la première étant de déterminer les causes
de la mise en place d'une ventilation mécanique.
Recommendation 1. In patients requiring mechanical ventilation for 24 hours, a
search for all the causes that may be contributing to ventilator dependence should
be undertaken. This is particularly true in the patient who has failed attempts
at withdrawing the mechanical ventilator. Reversing all possible ventilatory and
non ventilatory issues should be an integral part of the ventilator discontinuation
process.
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
31
La deuxième recommandation est la mise au point de tests pour arrêter la ventilation
mécanique et débuter le sevrage. Ils impliquent des critères généraux et des critères respiratoires. La possibilité d'un sevrage doit être envisagée tous les jours, et ce, le plus tôt
possible durant le séjour du patient en USIs. Elle doit suivre un protocole déni. Cependant,
le sevrage ne doit pas être envisagé de façon systématique [Ely et al., 1999] (daily screen
est le nom donné aux diérents tests pour envisager le sevrage) :
It is sometimes questioned whether a patient who has been on mechanical ventilation for a prolonged period of time needs to be slowly weaned from mechanical
ventilation after having recovered from respiratory failure. Although not designed
to address this issue, the current data show an inconsistent relationship between
these two times. Some patients who passed the daily screen early developed complications (e.g., nosocomial pneumonia) which delayed their sucessful extubation,
while others who were on mechanical ventilation for over 3 weeks were able to be
removed from the ventilation quickly after naly passing the daily screen.
Les conséquences d'un essai de sevrage prématuré peuvent amener des problèmes physiologiques d'importance pour le patient [Collective Task, 2002]) :
Premature discontinuation (weaning) carries its own set of problems, including
diculty in reestablishing articial airways and compromised gaz exchange. It
has been estimated that as much as 42% of the time that a medical patient spends
on a mechanical ventilator is during the discontinuation process.
Un sevrage est déni comme dicile lorsqu'un premier essai de mise en ventilation
spontanée a échoué ou lorsqu'une remise en ventilation mécanique est requise durant les 48
heures suivant l'extubation. Dénir une classe de patients à risque de sevrage dicile est un
enjeu important puisque la ré-intubation est associée de manière indépendante à une augmentation de la morbidité [Richard et al., 2001]. Actuellement, un sevrage peut être classé
comme dicile par des mesures d'indices respiratoires par exemple. Cependant, ces critères
ne sont pas exhaustifs et peuvent nécessiter le rajout de capteurs non discriminants pour la
surveillance. De plus, il s'agit de critères instantanés et ne suivant pas l'évolution du patient.
Par exemple :
De nombreux indices respiratoires ont été étudiés. L'indice le plus souvent pro-
=
posé est le rapport fréquence respiratoire sur volume courant (f Vt). L'existence
=
d'un f Vt
>=
105, mesuré deux minutes après la mise en ventilation sponta-
née sur tube en T, permettrait de détecter précocement les patients qui ne vont
pas supporter l'épreuve de ventilation spontanée. Son intérêt est discutable tant
au plan scientique que pratique. Sa valeur discriminante varie selon les études
qui ont utilisé ce test de façon non standardisée sur des populations diérentes.
Enn, le calcul de cet indice nécessite l'utilisation d'un spiromètre.
Des critères prédictifs peuvent être avancés pour la diculté d'un sevrage comme l'encombrement des bronches du patient ce qui l'amènera à tousser souvent et les inrmiers à
pratiquer des aspirations. Dans ces cas présents, la surveillance devra être accrue durant le
protocole de sevrage.
Dans [Ely et al., 1999], une étude est proposée sur le rôle de ces tests dans le succès ou
non du sevrage. Les tests sont au nombre de cinq et concernent des valeurs numériques ou
32
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
une appréciation du médecin : rapport de la pression partielle de l'oxygène dans le sang sur
la fraction d'oxygène inspirée (PaO2/FIO2), la pression de n d'expiration positive (PEEP),
le rapport de la fréquence respiratoire sur le volume courant, évaluation des réexes respiratoires (toux), traitement sédatif en cours. Ils montrent l'importance de cette phase de tests
pour réussir le sevrage de la ventilation mécanique (75% des 151 patients ayant subi les
tests sont extubés contre 29% des 149 patients n'ayant jamais été testés). Cependant, ils
nuancent un peu leur propos en précisant que 25 patients ayant échoué aux tests ont pu
quand-même être extubés avec succès.
Une fois ces tests eectués et réussis, le patient doit être placé en ventilation spontanée
avant d'être complètement sevré (recommandation 3).
Recommendation 3. Formal discontinuation assessments for patients receiving
mechanical ventilation for respiratory failure should be done during spontaneous
breathing rather than while the patient is still receiving substantial ventilatory
support. An initial brief period of spontaneous breathing can be used to assess
the capability of continuing onto a formal SBT (Spontaneous Breathing Trial).
The criteria with which to assess patient tolerance during SBTs are the respiratory pattern, adequacy of gaz exchange, hemodynamic stability, and subjective
comfort. The tolerance of SBTs lasting 30 to 120 minutes should prompt consideration for permanent ventilator discontinuation. [Collective Task, 2002]
Un exemple de ventilation est l'aide inspiratoire (AI). Elle est très souvent utilisée pour
le sevrage. C'est un mode de ventilation dit assisté qui ne peut s'appliquer que chez des
malades qui présentent une activité respiratoire spontanée. A cause de son principe de fonctionnement tout à fait particulier, l'AI est souvent considérée comme un mode d'assistance
partiel plus physiologique que la ventilation où le débit est contrôlé (VAC). C'est pour cette
raison que l'AI a très vite été proposée pour le sevrage de la ventilation.
L'AI est un mode de ventilation assisté où le paramètre qui est réglé par le médecin est la
pression (pression de consigne). Le ventilateur doit donc atteindre cette pression inspiratoire
plus ou moins rapidement (notion de pente de montée en pression) et la maintenir pendant
toute la phase inspiratoire. Lors de l'expiration, la pression retombe jusqu'au niveau de
pression expiratoire positive (PEP) ou au niveau de la pression atmosphérique si la PEP est
réglée à 0.
La durée de ventilation spontanée doit être comprise entre 30 minutes et deux heures,
pour la plupart des cas. La durée en cas d'un sevrage facile sera raccourcie mais devra être
d'au moins 30 minutes. Durant cette étape, la capacité à respirer du patient doit être prise
en compte puisqu'un échec de l'extubation peut se produire pour des raisons totalement différentes de celles causant un échec du sevrage (l'obstruction des voies aériennes supérieures,
par exemple) (recommandation 4).
Recommendation 4. The removal of the articial airway from a patient who has
successfully been discontinued from ventilatory support should be based on assessments of airway patency and the ability of the patient to protect the airway.
[Collective Task, 2002]
La conduite du sevrage doit répondre à un protocole précis et la possibilité d'un sevrage
doit être envisagée tous les jours (recommandation 5).
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
33
Recommendation 5. Patients receiving mechanical ventilation for respiratory failure who fail an SBT should have the cause for the failed SBT determined. Once
reversible causes for failure are corrected, and if the patient still meets the criteria
[. . .], subsequent SBTs should be performed every 24 hours. [Collective Task, 2002]
En cas d'échec du protocole, le patient doit être stabilisé avant un autre essai. Un changement de ventilation, en particulier le passage d'une ventilation contrôlée à une ventilation
spontanée peut être la source d'un profond stress pour le patient.
Recommendation 6. Patients receiving mechanical ventilation for respiratory failure who fail an SBT should receive a stable, nonfatiguing, comfortable form of
ventilatory suport. [Collective Task, 2002]
2.2.2
Enjeux du sevrage
Dans [Weavind et al., 2000], Weavind et al notent que près de 40% du temps total passé
en USIs est dû au sevrage. De cette simple remarque, on peut facilement en déduire que
n'importe quel moyen de réduire ce temps et ce, dans de bonnes conditions, sera bénéque
pour le patient. Réduire la durée de présence en USIs est loin d'être évidente puisque :
Une trop brusque diminution de l'assistance peut causer une fatigue excessive des
muscles respiratoires et un stress additionnel au patient.
D'autre part, le maintien sous ventilation mécanique a des impacts physiologiques,
psychologiques et économiques.
Les enjeux d'un sevrage réussi dans de bonnes conditions et précoce sont donc capitaux
tant sur un plan médical, social, qu'économique [Ely, 1996].
Pour toutes ces raisons, le sevrage est un candidat tout à fait pertinent pour la construction correspondante de protocole informatisé [Collective Task, 2002] :
Recommendation 8. Weaning/discontinuation protocols designed for nonphysician health care professionals (HCPs) should be developed and implemented by
ICUs. Protocols aimed at optimising sedation should also be developed and implemented.
2.3 Vers des protocoles informatisés
2.3.1
Un meilleur suivi des patients grâce aux protocoles
L'utilisation des protocoles permet une meilleure prise en charge des patients :
1. une prise de décision plus standardisée,
2. une thérapeutique mieux adaptée,
3. une baisse de la morbidité,
4. une diminution de la durée d'hospitalisation,
5. une baisse des coûts de la prise en charge des patients.
Mais il reste quelques zones d'ombre à une bonne pratique des protocoles par l'existence :
- de dicultés de standardisation des protocoles,
- du besoin d'une personne chargée du bon suivi du protocole.
34
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
La nécessité de l'informatisation des protocoles relève directement du besoin d'une standardisation de ces derniers. L'informatisation (au moins ponctuelle) permet réellement
d'améliorer les protocoles en facilitant leur mise en ÷uvre par le respect des contraintes
pour assurer une tâche, . . . Comme le souligne Morris dans [Morris, 2001], elle permet aussi
une meilleure adaptation au patient et diminue les variétés possibles d'interprétation des
9
protocoles en langage naturel .
Computerized protocols used for complex clinical problems can contain much
more detail than is possible with textual guidelines or with parper-based ow
diagrams. The increased detail allows the generation, at the point of care, of
patient-specic therapy instructions that can be performed by dierent clinicians
with almost no inter-clinician variability.
Un point important à souligner est la possibilité de supprimer ou diminuer la présence
d'une personne en charge de la bonne conduite du protocole.
En outre, l'informatisation est rendue possible par la nature de l'environnement des
USIs. La surveillance de patients permet techniquement un stockage d'une grande quantité
de données numériques d'où la possibilité d'une analyse et d'un traitement éventuel de ces
dernières. Cependant, en pratique, l'acquisition de données reste dicile (voir section 5.1,
page 117.
Nous citons ici Morris et reprenons son résumé de l'article [Morris, 2001]
The excess information in complex ICU environments exceeds human decisionmaking limits, increasing the likelihood of clinical errors. Explicit decision-support tools have favourable eects on the clinician and on patient outcomes. They
have been implemented in diverse clinical environments and have been successfully transferred and used in geographically dispersed ICUs that were not involved
in their initial development. However, various human factors and the paucity
of distributed electronic clinical databases impede the widespread distribution of
clinical decision-support tools. Notwithstanding these challenges, the documented benet of the application of decision-support tools in the ICU and the rapid
expansion of electronic ICU databases promise an increasingly favourable environment for the development, implementation, and use of computerized protocols
to aid clinical decision-makers in the ICU.
Partant de ce constat, beaucoup de recherches pour l'informatisation de protocoles sont
en cours (voir section suivante) depuis quelques années.
On peut citer par exemple, le Symposium on Computerized Guidelines and Protocols
(CGP-2004) organisé dans le cadre de la conférence EuroMISE 2004 qui a eu lieu en avril
2004 en République Tchèque.
Des chercheurs ont développé diérentes technologies pour l'informatisation de protocoles pour les soins cliniques. Ces technologies s'appuient sur plusieurs communautés qui
vont de la communauté de l'intelligence articielle à celle de la médecine clinique.
9
Par exemple, diérentes interprétations des signes de défaillance du patient (voir le protocole présenté
sur la gure 2.2) sont possibles.
35
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
2.3.2
Pourquoi des protocoles informatisés ?
L'informatisation des protocoles permet d'améliorer encore les avantages des protocoles
car elle assure :
Une standardisation des termes médicaux
Par exemple, dans un protocole de sevra-
ge, les médecins tiennent souvent compte du stress du patient. Mais ce terme reste ou,
ou tout du moins très subjectif et dépend entièrement de l'appréciation du médecin.
Une standardisation des pratiques des diérents médecins et services
De la mê-
me manière que les protocoles permettent une diminution des variations de traitement
sur un patient, leur informatisation pourra engranger une baisse des variations des
traitements d'un patient à l'autre et des pratiques des médecins.
Une optimisation des stratégies thérapeutiques pour les patients
L'informatisa-
tion des protocoles permet de prendre en compte directement et immédiatement les
valeurs numériques des paramètres physiologiques surveillés et leur évolution.
Cette informatisation n'est pas un obstacle à un traitement personnié du patient ; elle
standardise simplement le processus de décision des médecins [Morris, 2002] :
Reducing clinician variability might seem to challenge the importance that clinicians assign to individualized (patient-specic) therapy. Unexpectedly, individualization of patient therapy is preserved when clinical decisions are standardized
with explicit, detailed, patient-data-driven, computerized protocols.
2.3.3
Comment informatiser des protocoles ?
Des recherches sur les protocoles informatisés sont en cours depuis quelques années
([Shahar et al., 1998], [Tu and Musen, 1999], [Peleg et al., 2000], [Quaglini et al., 2001], . . .).
Pour une étude comparative des résultats obtenus, nous invitons le lecteur à la lecture de
[Peleg et al., 2003]. Cependant, cette informatisation ne va pas de soi et nécessite de résoudre de nombreux problèmes, en particulier de tenir compte de la dimension temporelle
des protocoles.
Certaines recherches actuelles se concentrent sur
la représentation des protocoles
an d'aider les médecins à formaliser leurs connaissances. Dans [Clerq et al., 2004],
De Clerq et al soulignent le fait que ces recherches se focalisent plus sur leur représentation
et leur développement que sur leur implémentation éventuelle directement en salle de soins.
Nous présentons dans cette section deux approches pour la représentation des protocoles. Cette présentation est loin d'être exhaustive. Elle a pour principe de nous familiariser avec la problématique de l'informatisation des protocoles. Le premier est un
modèle de représentation générique de protocoles qui est actuellement en cours d'implémentation et le second, déjà utilisé en routine clinique, implémenté dans un ventilateur
[Mersmann and Dojat, 2004].
Nous allons nous attarder sur le projet ASGAARD an de mettre en avant les diérentes problématiques qui découlent de la construction d'un guideline. Puis, nous introduirons succinctement la mise au point d'un système appelé NéoGanesh pour l'informatisation
de protocoles de sevrage qui nous permettra d'introduire la notion de scénario.
36
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
2.3.3.1
ASGAARD : un exemple de représentation de guideline
10 [Shahar et al., 1998], [Seyfang et al., 2002] concerne la mise en
Le projet ASGAARD
application de protocoles. Le but de ce projet est de répondre à deux problématiques :
diagnostic quant à l'état du patient et aide à la décision quant à la thérapeutique associée
[Seyfang et al., 2002].
Pour la construction des protocoles, le langage ASBRU a été implémenté :
Asbru enables the designer to represent a clinical protocol in computer processable
form. It also enables the physicians to execute the protocol in a exible way,
based on the patient's state. This leads to a better acceptance of both protocols
and computer support by the medical sta. [Seyfang et al., 2002]
ASBRU est un langage de spécication des guidelines qui permet d'assurer la complétude de leur sémantique en tenant compte des contraintes temporelles [Miksch et al., 1997],
[Duftshmid and Miksch, 2001]. Ce langage permet ainsi de représenter un protocole clinique,
incluant toutes les connaissances utiles pour leur construction. Plutôt que de vérier leur
exactitude, les auteurs préfèrent l'utilisation d'un langage standard d'écriture des guidelines.
Les points-clés de ce langage consistent en la représentation des patterns temporels et le développement d'interface pour l'utilisateur an qu'il puisse visualiser les plans développés.
La représentation temporelle d'ASBRU tient compte aussi des abstractions temporelles et
permet à l'utilisateur de spécier des expressions comme le patient soure d'un second
épisode d'anémie.
Les protocoles sont représentés par des schémas de plans-squelettes ; ceux-ci sont instantiables suivant les situations. Les protocoles sont principalement construits à partir de
plans et d'actions avec ASBRU. Chaque plan est décomposable en sous-plans qui euxmêmes sont décomposables . . . Le dernier sous-plan correspond à une action à entreprendre.
A chaque plan correspond des connaissances expertes.
Le modèle du protocole est basé sur deux étapes : l'étape de mise au point du protocole et celle de son exécution. La mise au point du protocole repose sur plusieurs étapes.
L'auteur du protocole décrit 1) les conditions nécessaires d'entrée (fréquence respiratoire
supérieure à un seuil), 2) les actions (administrer un médicament), 3) un plan d'actions avec
ses intermédiaires et tous les schémas des actions (utiliser des médicaments d'une certaine
classe de médicaments deux fois par jour), 4) les schémas des états des patients (le taux de
glucose dans le sang devrait être dans telle tranche de valeurs le matin).
Cela permet de contrôler l'exécution correcte d'un protocole, voire de proposer des changements si les observations ne sont pas en accord avec les buts poursuivis. L'état du patient est
enregistré, observé et abstrait ainsi que les intentions thérapeutiques de l'équipe médicale
réalisant telle étape (comme une baisse de la fréquence respiratoire, par exemple) peuvent
être aussi enregistrées. A partir de ces plans, est décrite une liste de tâches suivant les étapes
de mise au point et d'exécution des protocoles et la connaissance nécessaire analysée. Chaque
tâche peut être vue comme la réponse à une question spécique. L'étape d'exécution des
protocoles écrits avec ASBRU est en cours.
10
Pour plus d'informations sur ASGAARD, on peut se référer au site :
http ://www.asgaard.tuwien.ac.at/protocols.html
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
37
Nous présentons à présent un exemple d'application de l'informatisation de protocoles
avec ASBRU.
Le syndrome de détresse respiratoire
Le projet VIE-VENT
11 [Miksch et al., 1996] [Horn et al., 1997] a pour but d'optimi-
ser la planication thérapeutique et de développer un système de surveillance basé sur les
connaissances pour la ventilation des nourrissons. Le système comporte enn une interface
présentant toutes les données et traitements disponibles et facilement lisible par le personnel
soignant. Nous détaillons, dans cette section l'informatisation de protocoles dans VIE-VENT
avec le langage ASBRU.
La gure 2.3 illustre le protocole de prise en charge du syndrome de détresse respiratoire
chez les enfants (I-RDS pour infant's respiratory distress syndrom)
12 . Le protocole prend
en compte le diagnostic du syndrome jusqu'à la guérison complète du patient qui inclut son
extubation. Le plan global de prise en charge du syndrome respiratoire est décomposé en
sous-plans.
Le protocole de syndrome respiratoire développé au sein du projet VIEVENT. Après que ce syndrôme soit diagnostiqué, un plan d'actions avec des possibilités limitées de
Fig. 2.3:
surveillance est activé ; il est appelé la phase initiale (initial phase). Ensuite, suivant la sévérité de la
maladie, trois sortes diérentes de plans peuvent être envisagées : ventilation contrôlée (controlledventilation), l'hypercapnie (permissive-hypercapnia) ou la gestion de crise (crisis-management). Seul
un de ces plans peut être activé. Puis, le plan de sevrage est activé une fois que le patient est revenu
en ventilation contrôlée (controlled-ventilation). Une fois le plan de sevrage réussi, l'extubation est
mise en route. L'extubation peut être soit un seul plan d'extubation soit une exécution séquentielle
de sous-plans.
Dans la gure 2.4, est représenté le sous-plan de la ventilation contrôlée (il s'agit d'un
zoom du plan global présenté au dessus) et ses possibles sous-plans utilisant le langage
ASBRU. On voit representées sur cette gure, les connaissances utilisées suivant leur rôle,
elles sont classées en préférences, intentions, . . ..
11
12
Nous développerons ce projet dans la section 3.3.2.3
http ://www.asgaard.tuwien.ac.at/asbru/examples/vent.pdf
38
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
Zoom sur le protocole automatisé de prise en charge du syndrome de
détresse respiratoire. Deux notations sont considérées : les caractères majuscule suivis de :
Fig. 2.4:
indiquent les éléments d'ASBRU et les caractères en minuscule les plans particuliers ou les actions.
Le plan de ventilation contrôlée est décomposé en deux sous-plans ; diminution ou augmentation des
réglages de la ventilation (plan inc-ventilation et dec-ventilation) et le plan observé. La fréquence de
ces deux plans ne peut pas être spéciée à l'avance. Le nombre de périodes d'activation dépend de
l'état de santé du patient. Les points (trois à la suite) indiquent ces répétitions. Le sous-plan incventilation est lui-même décomposé en trois sous-plans inc-o2, inc-f et inc-pip (augmenter
la FiO2, augmenter la fréquence, . . . Ces trois sous-plans ou actions ne sont pas décomposables.
Seule une de ces actions peut être activée à chaque instant, ce qui est illustré par les crochets. La
même décomposition existe pour le sous-plan dec-ventilation avec dec-o2, dec-f et dec-pip.
La gure 2.5 représente les connaissances nécessaires à la construction du sous plan
ventilation contrôlée.
39
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
Fig. 2.5:
Les connaissances utilisées pour la ventilation contrôlée. Les commentaires
sont repris d'après le site internet du système, voir note 12. The intentions of subplan controlledventilation are to maintain a normal level of the bloodgas values and the lowest level of mechanical
ventilation (as dened in the context of controlled ventilation therapy) during the span of time over
which the subplan is executed. This subplan is activated immediately, if peak inspiratory pressure
= 30 and the transcutaneously assessed blood-gas values are available for at least one minute
if
30 or the increase of the blood-gas level is too steep (as dened in the context of controlled
ventilation-therapy) for at least 30 seconds. The sampling frequency of the abort condition is 10
seconds. The subplan is completed successfully, if
2 = 50%,
= 23, = 60, the
P IP <
after activating the last plan instance initial-phase (as reference point). The subplan must be aborted,
P IP >
F iO
<
P IP
<
f
<
patient is not dyspneic, and the level of blood gas is normal or above the normal range (as dened
in the context of controlled ventilation-therapy) for at least three hours. The sampling frequency of
the complete condition is 10 minutes. The body of the subplan controlled-ventilation consists of a
sequential execution of the two subplans one-of-increase-decrease-ventilation and observing.
Ces connaissances portent aussi sur des abstractions temporelles. Par exemple, pour
que le sous-plan présenté au-dessus fonctionne, il faut que le niveau des gaz du sang soit
normal pendant au moins trois heures. Ici, on voit bien qu'il a fallu transformer les données
numériques en données symboliques supportant des notions de temporalité.
Bilan
ASBRU permet la formalisation de la connaissance directement par l'expert. Il
intègre aussi les abstractions des données et permet ainsi la construction du protocole en
un langage proche de celui des médecins. Ceci dit, les liens entre les états des paramètres
du patient ne sont pas formalisés et les abstractions obtenues à partir des données ne le
permettent pas non plus. Ce système reste principalement un système de visualisation et de
représentation des protocoles pour faciliter leur formalisation par les experts.
2.3.3.2
NéoGanesh : un protocole basé sur la construction de scénarios
Dojat et al [Dojat et al., 1997], [Dojat and Brochard, 2001] ont proposé un système à
base de connaissance en boucle fermée pour implémenter un protocole de sevrage de la ven-
40
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
tilation mécanique. Ce système montre de nombreux bénéces potentiels pour les patients
[Dojat et al., 2000], ce qui a conduit à sa mise en pratique dans des ventilateurs, testés à l'hôpital Henri Mondor à Créteil et dans divers centres européens [Mersmann and Dojat, 2004].
L'informatisation du protocole est basée uniquement sur la modélisation des connaissances médicales. Elles sont représentées par des
scénarios médicaux. Ceux-ci permettent
une représentation des liens temporels entre les événements et les états décrivant le comportement du patient [Dojat, 1994], [Dojat et al., 1998]. De Clerq et al dénissent les scénarios
de la façon suivante [Clerq et al., 2004] :
A scenario is a (partial) characterization of the state of a patient. [. . .]. In a
scenario, eligibility conditions specify the necessary conditions for a patient to
be in the scenario. Scenarios allow a clinician to synchronize the management
of a patient with the corresponding parts of (a portion of ) a guideline and are
commonly used as entry points in a guideline.
Un
scénario permet donc une description de plus haut niveau de l'état du patient
que les abstractions décrivant simplement le comportement d'un paramètre comme celles
utilisées dans l'exemple du syndrome respiratoire décrit précédemment.
Ensuite, ces scénarios sont comparés aux données des patients abstraites
13 , ce qui per-
met un ajustement, si nécessaire du mode de ventilation et l'éventualité d'une extubation.
La construction des scénarios est faite uniquement à partir des connaissances médicales
pragmatiques. Ceci est justié par : la diculté de la validation de modèles physiologiques
des données, le fait que ces modèles sont rarement adaptés à la variété des situations rencontrées et le fait qu'il y a moins de variations entre les expertises de diérents médecins
qu'entre les diérentes physiologies des patients [Dojat and Brochard, 2001] :
[. . .] the decision making process of clinicians may be less variable than the complex physiology of patients. This is reinforced by the introduction of protocols or
guidelines for mechanical ventilation based on objective measurements like respiratory frequency or the rapid shallow breathing index. In conclusion, it seems
simpler to model decision making based on objective measurements, rather than
based on physiology and multiple assumptions of the patient's behavior. Therefore
the NéoGanesh system is more a decision-driven system than a patient-driven
system, although it indeed uses data coming from the patient.
Bilan
Bien que NéoGanesh soit un système en boucle fermée, le principe est le même que
celui de VIE-VENT. Néoganesh repose sur la construction de scénarios directement à partir
de la connaissance experte.
2.3.3.3
Synthèse : principes de base de VIE-VENT et de NéoGanesh
VIE-VENT et NéoGanesh se ressemblent par leur approche du problème. Ils ont permis une aide à la formalisation de la connaissance. Le patient fournit les données brutes
qui sont abstraites (ici, les méthodes d'abstraction dièrent, ce que nous verrons dans la
section 3.3). La connaissance médicale permet, grâce à des systèmes de représentation, de
13
voir section 3.3.3.3 pour plus de détails
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
construire des scénarios
41
14 . Ceci dit, les scénarios construits uniquement à partir de
la connaissance médicale possèdent de nombreuses lacunes (nous développerons
cet aspect dans les chapitres suivants). Ensuite, les données abstraites sont comparées aux
scénarios médicaux an de pouvoir déterminer des actions à entreprendre (dans NéoGanesh
en boucle fermée et en boucle ouverte dans le projet VIE-VENT).
Nous allons à présent étudier la possibilité de construire des scénarios à partir des données
et des connaissances.
2.4 Vers la construction de scénarios ?
Il y a un réel besoin d'assistant informatisé pour aider le clinicien à construire la synthèse des données. Etant donné l'incomplétude des connaissances des médecins (voir la
section 1.4), la mise en place de protocoles standardisés est une solution tout à fait acceptable, voire même primordiale.
En outre, la surveillance informatisée de patients en anesthésie-réanimation n'a pas pour
but de remplacer les médecins ; elle doit les aider à prendre une décision. La reconnaissance
de scénarios spéciques est alors un pré-requis pour déclencher un plan d'actions spéciques
d'un protocole pré-déni. De la même manière, la reconnaissance de scénario peut attester
qu'un clinicien est en train de suivre le protocole.
2.4.1
Pourquoi des protocoles informatisés à base de scénarios ?
Les protocoles informatisés consistent principalement en une assistance à l'interprétation
des données et à un suivi des protocoles. Leur première tâche est de faire un diagnostic qui
soit possible grâce à la reconnaissance de situations typiques de comportement du patient.
C'est cette description de comportements dynamiques que l'on appelle scénario.
Les scénarios : un pré-requis pour la mise en place de protocoles informatisés
Les scénarios permettent de :
(1) Décrire les étapes du protocole en termes synthétiques.
(2) Déterminer l'état du patient et donc l'étape à eectuer en accord avec le protocole.
(3) Reconnaître des situations typiques lors de certaines étapes du protocole et, le cas
échéant contribuer à leur amélioration.
Cependant, à l'heure actuelle, ces comportements typiques sont décrits par les experts.
Cette description reste particulièrement incomplète à cause du manque de formalisation de
la connaissance.
2.4.2
Pourquoi des alarmes intelligentes à base de scénarios ?
On peut se demander quel est le rapport entre la construction d'alarmes intelligentes et
celle de protocoles informatisés tant il est vrai que ces deux solutions semblent diérentes.
14
Dans VIE-VENT, le terme de scénario n'est pas employé mais la formalisation des connaissances induite
par ASBRU (voir gure 2.5) est bien la description dynamique du comportement du patient.
42
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
Cette diérence s'explique aisément si l'on considère la première uniquement comme une
solution explicative
15 et la seconde comme prédictive 16 . Cependant, il serait erroné de
raisonner ainsi. Ces deux solutions ne sont pas si disjointes qu'il n'y paraît. Ainsi, l'on peut
très bien imaginer le rôle prédictif d'une alarme
17 . Le système indiquerait que la situation
se dégrade jusqu'à ce qu'il y ait véritablement une situation alarmante. On pourrait ainsi
avoir plusieurs niveaux d'alarmes par exemple.
Il en ressort la nécessité de construire des scénarios que ce soit pour la mise au point
d'alarmes intelligentes et/ou de protocoles informatisés. Cette construction est le point clé
de notre travail de thèse.
2.4.3
Comment construire des scénarios ?
La construction des scénarios doit reposer sur une
combinaison des données et des
connaissances an d'obtenir un modèle du patient le plus pertinent possible. Le problème
est d'une part, de rendre les données informatives et d'autre part, de découvrir les relations
tant temporelles que causales entre elles an d'assurer la construction de scénarios. Les
connaissances permettront de guider tout le processus. Nous dégageons alors naturellement
deux points :
(1) la transformation des données pour les rendre informatives,
(2) la construction des scénarios représentatifs du comportement du patient.
2.4.3.1
La transformation des données
Le fait de tenir compte de l'état du patient nécessite de prendre en compte les données.
Comme nous l'avons vu dans la section 1.3, les données d'USIs sont complexes (incertaines,
imprécises, ambiguës, de haute dimension) ce qui pose le problème de leur validation pour
la construction d'un modèle. La comparaison avec les discours médicaux nécessite de transformer les données en des informations décrites en des termes plus proches des experts.
L'abstraction
des données permet en particulier de rendre les données informatives :
Some of the information needed in the diagnosis process is entered in the same
form it is needed, e.g., by answering questions with yes or no. Other parts, such
as complex series of measurements must be ltered to eliminate measuring errors,
compared to each other to detect trends, and abstracted to turn a host of data
into information useful to the physician. Not only high-frequency domains such
as monitoring in an ICU, but also low frequency domains in which parameters
are measured a few time per a day often demand complex abstractions from the
numbers delivered by the laboratory, namely their association with one of several
qualitative values such as normal, too high, or too low. [Seyfang et al., 2002]
15
par explicative, nous entendons la qualité d'expliquer, de donner une raison valable à une alarme (si
une alarme sonne, le système serait capable d'expliquer pourquoi ; on peut envisager un système d'alarmes
intelligentes par le fait de ltrer aussi toutes les fausses alarmes (voir la section 3.3.1.1 pour un exemple
de système dédié à la diminution des fausses alarmes). La notion donnée d'explication peut être rapprochée
alors de celle de diagnostic.
16
par prédictive, nous entendons la qualité de prévoir dans une juste mesure ce qui risque de se produire
et indiquer éventuellement une thérapeutique.
17
mais pas d'indication thérapeutique dans ce cas là
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
2.4.3.2
43
La construction des scénarios
En pratique, la construction de scénarios exclusivement à partir des données ou de l'expertise médicale n'est pas réaliste. Les cliniciens ne sont pas intéressés par les mesures
instantanées des paramètres et préfèrent pouvoir suivre leur évolution. En plus de la complexité des données, nous ne disposons pas de connaissance précise sur l'évolution normale
ou anormale espérée pour un patient donné (voir la section 1.4). En réalité, les cliniciens ne
peuvent pas décrire à l'avance les scénarios qu'ils aimeraient que le système détecte. Cette
diculté supplémentaire peut s'expliquer par le fait que :
Les situations typiques sont diciles à abstraire.
Les médecins ne sont pas capables de formaliser leurs prises de décision.
Chaque patient est unique et les réponses physiologiques aux diérents événements
sont très variables suivant les individus.
Pour chaque patient, les réponses physiologiques peuvent elles-mêmes dépendre du
contexte (jour ou nuit, présence de la famille,. . .).
Les décisions médicales peuvent s'appuyer sur des éléments non accessibles par les
ordinateurs (signes d'angoisse,. . .).
2.5 Problématique du travail de thèse
La problèmatique de ce travail de thèse est donc l'extraction de scénarios à partir des
données et des connaissances.
Notre objectif est d'extraire petit à petit des séquences typiques des données monitorées
dans le contexte du sevrage. Nous envisageons un système permettant, dans un premier
temps, la construction d'abstractions grâce à la combinaison d'informations et de connaissances (ces dernières consistent en des connaissances `simples, voir section 3.2.3). Dans
un second temps, de ces séquences abstraites (états, événements, . . .), le système devrait
détecter et extraire des régularités, a priori inconnues, qui pourront éventuellement être
considérées par les experts cliniciens comme représentatives d'une classe de situations (scénarios) à reconnaître.
Pour ce faire, le travail de cette thèse comporte deux axes :
(1)
Dénir une méthodologie globale d'extraction de scénarios où sont déve-
loppés de façon précise le rôle et la gestion des données et des connaissances.
(2)
Développer une méthode d'abstraction des données pour la construction
de scénarios.
Nous présentons dans le chapitre suivant un état de l'art de l'abstraction de données
dans le contexte de la surveillance de patients. Nous en protons pour décrire le point de
vue adopté pour assurer au mieux la robustesse et la pertinence des abstractions. Nous
étudierons ensuite, la problématique de la fouille de données pour l'extraction de scénarios.
44
Chapitre 2 : DES VOIES VERS DES SYSTÈMES DE SURVEILLANCE PLUS PERTINENTS EN USIs ?
Dans ce chapitre, nous avons décrit les nouvelles voies de surveillance en
USIs : les protocoles. Leur informatisation, à l'heure actuelle repose principalement sur les connaissances expertes. Le protocole est construit par les experts,
les données patient abstraites et leur comparaison est alors rendue possible. La
construction de scénarios est alors un pré-requis à la mise en place de protocoles
informatisés. Ces scénarios doivent être construits à partir de la connaissance
médicale et des données patient an de pallier l'incomplétude des premières et
la complexité des secondes. Le travail présenté dans cette thèse se situe à ce
niveau-là. La construction de scénarios nécessite alors :
une abstraction des données robuste,
la découverte de liens entre les paramètres.
Ces deux points vont être développés dans le chapitre suivant.
Chapitre 3
ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE
SCÉNARIOS
Un processus de fusion ?
Ce chapitre est constitué de deux parties. Nous présentons tout d'abord un
état de l'art de l'abstraction de données dans les systèmes de surveillance de
patients. L'abstraction de données permet de rendre les données informatives
en en faisant une synthèse pertinente. Dans un premier temps, nous dénissons
les mécanismes de l'abstraction temporelle. Puis, dans un deuxième temps, nous
présentons notre point de vue selon lequel un système d'abstraction doit reposer
sur un processus de fusion des données et des connaissances an d'assurer la
robustesse du système. Après avoir déni la fusion, nous expliquerons ce qui
nous permet de faire une telle relation. Ensuite, à partir de ces considérations,
nous étudierons plusieurs systèmes d'abstraction selon le rôle des données et de
la connaissance dans leur construction. Le but de cette première partie est donc
de présenter les diérents points de vue présents dans la littérature et surtout
de mettre en exergue le fait qu'il y a un réel besoin d'un système utilisant de la
fusion.
Ensuite, nous présentons la recherche de patterns à partir des données temporelles. Dans le chapitre précédent, il a été mis en exergue la nécessité de
construction de scénarios à partir des données et des connaissances. Les scénarios découverts permettraient, en particulier d'améliorer le processus d'abstraction. Nous situons ainsi la recherche de scénarios dans le processus plus global
46
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
d'extraction de connaissances et spécialement dans celui de la fouille de données. Ensuite, nous présentons la fouille de données temporelles et décrivons les
caractéristiques des données temporelles, la représentation des patterns à découvrir, les critères d'évaluation de ces patterns et enn les diérentes méthodes
de fouille. Ce tour d'horizon permet de situer plus clairement la recherche de
scénarios dans notre contexte. Enn, nous présentons la technique de fouille qui
semble adaptée à notre problématique et qui repose sur la recherche de règles
d'association. Cette présentation est axée sur les critères d'évaluation.
3.1 Qu'est-ce que l'abstraction ?
3.1.1
Un préambule à la dénition de l'abstraction de données
Le verbe abstraire provient du verbe latin abstrahere qui signie détourner. D'après le
dictionnaire Le petit Larousse éditions 2000, abstraire signie isoler, séparer mentalement
un élément, une propriété d'un objet an de les considérer à part. Mais dans quelle mesure
peut-on dissocier un objet ou une propriété de son environnement sans perdre tout sens ou
signication intrinsèque de cet objet ? Par exemple, si l'on considère une personne avec une
fréquence cardiaque de 150 bp/min, peut-on considérer pour autant qu'elle a une valeur
anormale ? Suivant si elle est au repos ou en activité physique, la valeur de la fréquence cardiaque sera anormale dans le premier cas et tout à fait normale dans le second cas. Ici, on
voit bien qu'il est nécessaire de tenir compte du contexte pour abstraire de façon pertinente
des données ou objets. Ainsi, dès à présent, on considérera le fait d'abstraire comme une
interprétation et ce, en tenant compte de l'environnement de l'objet à abstraire.
Le fait de tenir compte du contexte nécessite d'introduire toutes sortes d'informations
et de connaissances dans le processus global d'abstraction. Cette introduction est permise
grâce à la
fusion. La fusion est le maître-mot, selon nous, dans un processus d'abstraction.
Si nous considérons la dénition de la fusion donnée par Sylvain Gatepaille et Stéphan
o
Brunessaux dans le bulletin de l'AFIA n 24 de 1996, il est clair que la fusion rejoint les
objectifs de l'abstraction. Elle est dénie de la manière suivante :
Procédé d'intégration d'information depuis des sources multiples permettant de
produire des données uniées les plus spéciques et les plus pertinentes sur une
entité, activité ou événement.
Dans cette dénition, ce qui nous semble tout à fait intéressant pour notre problématique est
le fait de dénir la fusion comme un procédé d'intégration , ce qui sous-tend un aspect de
gestion et d'assimilation d'informations diérentes, qui nous paraît primordial comme nous
le verrons dans la suite. De plus, le résultat est décrit comme la production de données
uniées [. . .] les plus pertinentes , ce qui correspond aux résultats que l'on peut attendre d'un
47
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
processus d'abstraction de données. Pour cela, il nous semble tout à fait naturel d'introduire
la notion de fusion dans une méthodologie d'abstraction puisque, selon nous :
Abstraire des données d'un système est d'abord fusionner les données, informations et connaissances disponibles.
La section suivante présente les mécanismes formels de l'abstraction. Celle-ci est décrite
de façon détaillée, voir même minutieuse et le rôle important de la connaissance a priori
dans cette construction est mis en exergue.
3.1.2
Les mécanismes formels de l'abstraction de données
Le processus d'abstraction évolue dans l'espace des paramètres du domaine à plusieurs
niveaux de granularité temporelle. Son objectif est de transformer des données numériques
instantanées en des données symboliques sur des intervalles de temps, et de générer plusieurs
niveaux d'abstraction résumant l'évolution des paramètres
18 .
Dans cette section, nous décrivons tout d'abord les mécanismes primaires de construction des abstractions, qui se retrouvent dans tous les processus d'abstraction. Puis, dans
une seconde section, nous présentons des concepts plus évolués, de niveau d'interprétation
supérieur.
3.1.2.1
Les abstractions verticales et horizontales
En intelligence articielle, on dénit généralement l'espace dans lequel l'abstraction va
avoir lieu comme un espace à deux dimensions. L'axe horizontal concerne la dimension
temporelle des données. L'axe vertical concerne les valeurs des paramètres, qu'elles soient
numériques ou symboliques. D'après Shahar, toute augmentation seule de la granularité temporelle est une
une
abstraction horizontale et tout changement de l'espace des paramètres est
abstraction verticale [Ramaux, 1998]. Ainsi, trois types d'abstraction sont référencés
selon Shahar [Shahar, 1994] : les abstractions verticales (concernant l'aspect paramètre),
les abstractions horizontales (concernant l'aspect temporel), et les abstractions obliques ou
tendances (liant les paramètres et le temps). Ces trois types d'abstraction sont liés à des
mécanismes basés sur la connaissance.
Les abstractions verticales
On note que Shahar considère les abstractions verticales comme un cas particulier
des abstractions temporelles. Pour Clancey [Clancey, 1985], les abstractions verticales permettent de changer l'espace des paramètres et ne sous-tendent pas nécessairement de notion
temporelle.
Trois mécanismes d'abstraction verticale sont répertoriés :
L'abstraction qualitative est une classication symbolique des données numériques
(par exemple, fréquence respiratoire : 10, 25, 35 cycles/minute
18
! bas, normal, haut).
Russ dans [Russ, 1995] note que l'abstraction des données permet ainsi de réduire les temps de calculs
des machines
48
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
L'abstraction dénitionnelle est basée sur les caractéristiques essentielles et nécessaires d'un concept (par exemple, une désaturation est une chute de la SpO2).
La généralisation est un sous-type hiérarchique (par exemple, une désaturation rapide est une sous-classe d'une situation alarmante).
Les abstractions horizontales
Quatre mécanismes d'abstraction horizontale sont communément distingués :
L'interpolation temporelle met en relation une propriété instantanée et un intervalle temporel (il y a une notion sous-jacente de persistance sur un intervalle tempo-
19 .
rel)
La prolongation par continuité crée un état à partir des deux états consécutifs
lorsque une propriété donnée est valide.
L'agrégation concerne la concaténation d'états consécutifs où une propriété n'est
valide que sur une partie d'entre eux.
L'oubli permet de ne pas tenir compte de données redondantes ou non-pertinentes
[Dojat, 1994].
Ces diérents mécanismes d'abstraction sont résumés dans la gure 3.6.
19
Dans [Russ, 1995], une abstraction quantitative peut avoir lieu telle que si deux mesures sont eectuées
à t0 et à t0+dt , on attribue la première mesure sur l'intervalle [t0 , t[0+dt[ .
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Fig. 3.6:
49
Illustration des abstractions verticales et horizontales. f , e, n signient
respectivement, faible, élevé et normal. Toutes ces étapes d'abstraction sont eectuées dans un
certain contexte. L'étape de prolongation par continuité permet de remplacer deux intervalles élevé
par un seul. L'étape d'agrégation permet de remplacer l'ensemble d'intervalles codés par élevé,
faible, élevé par un seul codé élevé. La phase d'abstraction qualitative permet de transformer des
valeurs numériques en symboliques, d'où les diérents symboles obtenus comme élevé. L'abstraction
dénitionnelle interprète les abstractions précédentes à un niveau supérieur.
3.1.2.2
Les abstractions temporelles simples et complexes
Elles permettent de reconnaître des formes caractéristiques dans une série temporelle.
Elles consistent en la détermination de deux sortes d'abstraction suivant le niveau d'interprétation des données [Bellazzi et al., 1998] : les abstractions simples et les abstractions
complexes. Les premières correspondent à celles décrites dans la section précédente et les
secondes à des abstractions de plus haut niveau [Ramaux, 1998] :
Les abstractions temporelles utilisées sont scindées en deux classes diérentes.
L'abstraction temporelle simple permet d'identier à partir de séries chronologiques des séquences ou des tendances temporelles. [. . .]. Les abstractions utilisées
par Larizza ont pour but de simplier la représentation de l'évolution des données
en une séquence d'épisodes signicatifs. D'autre part, un mécanisme de persistance ainsi que d'agrégation d'intervalles temporels est introduit. L'abstraction
temporelle complexe ore une représentation synthétique de la combinaison de
deux abstractions temporelles simples ou complexes. Les fonctions implémentées
à ce niveau sont proches de la reconnaissance de formes (p43).
L'abstraction temporelle complexe n'est pas construite à partir des données brutes mais
à partir d'abstractions (simples ou complexes) ; elle représente des relations temporelles
entre abstractions.
50
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
3.2 Abstraction et fusion ?
An de pallier les problèmes d'incomplétude tant au niveau des données qu'au niveau des
connaissances, une méthodologie d'abstraction se doit d'être robuste. De plus, les données
d'USIs sont tout à fait particulières (voir section 1.3.2) ce qui pénalise tant les méthodes
statistiques traditionnelles que les méthodes à base de connaissances. Par méthodologie
robuste, nous entendons un processus contrôlé an d'apporter de l'information able et
pertinente. Ce contrôle peut être eectué grâce à la fusion [Bloch and Hunter, 2001] :
The reason for fusing information is usually the hope of getting more precise,
or more reliable information as a result. Let us briey recall the dierent defective aspects of information : ambiguity, uncertainty, imprecision, incompleteness,
vagueness, inconsistency.
Nous proposons ainsi une approche :
1.
Utilisant de la fusion an d'enrichir le processus de décision.
2.
Incrémentale : le processus se fait en plusieurs étapes et chaque étape est soumise à
contrôle. De plus, les approches incrémentales permettent :
une utilisation possible des informations même si le processus n'est pas terminé,
une plus grande richesse au niveau de la prise de décision.
3.2.1
La fusion dans le processus d'abstraction temporelle
Nous distinguons trois types de fusion suivant les sources qui vont être combinées.
La première source est issue d'une source physique ; ce sont les valeurs d'une donnée
issues d'un capteur par exemple. Mais on peut aussi envisager une source comme étant
une donnée ou une donnée interprétée à un certain moment dans un processus. Elle corres-
20 ). Dans
pond alors à un niveau d'interprétation d'une donnée (information ou connaissance
[Bloch and Hunter, 2001], les auteurs distinguent ces sources suivant leur représentaion numérique ou symbolique (cette dernière représentation comprenant les connaissances). Enn,
puisque l'on considère des données temporelles, la caractéristique temporelle est représentée.
La fusion va alors consister en la gestion, l'utilisation des diérentes sources dans le but
d'interpréter de la meilleure façon possible des données.
Nous décrivons l'espace de fusion selon trois axes (voir gure 3.7) : l'axe des sources
physiques, celui des niveaux d'interprétation et enn l'axe temporel. Un élément de cet
espace correspond à une source physique, à un niveau d'interprétation et à un temps donnés.
Nous dénissons ainsi plusieurs types de fusion suivant les sources :
La fusion sémantique construite à partir d'une même source physique, à un même instant ou à un même niveau temporel et à plusieurs niveaux d'interprétation.
La fusion multi-sources construite à partir de sources physiques. Elle permet de combiner des informations de plusieurs paramètres à un même niveau d'interprétation et
à un même instant ou à un même niveau temporel.
La fusion temporelle construite à partir d'une même source à un même niveau d'interprétation et à plusieurs instants ou à plusieurs niveaux temporels.
20
Nous verrons dans le chapitre 4 les dénitions précises de ces concepts.
51
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Fig. 3.7:
La fusion suivant les sources. Les points
Ii
et
Ji
pour
i
2 1 2 3 correspondent à
;
;
diérentes interprétations des paramètres (sources physiques) P1 et P2. Les points
I1
et
J1
corres-
pondent à des valeurs numériques ou symboliques à un instant donné. Les ensembles d'intervalles
I2
et
J2
représentent des valeurs numériques ou symboliques sur des intervalles temporels ; il peut
s'agir des abstractions obtenues après l'étape d'interpolation temporelle. Les ensembles d'intervalles
I3
et
et
J3 ,
les abstractions après l'étape d'agrégation par exemple. Chaque ensemble
f 3 3 g correspond à un niveau d'interprétation,
I ;J
A1 , A2
et
A3 .
f 1 1 g, f 2 2 g
I ;J
I ;J
Une ligne verticale qualie une
fusion à partir de plusieurs niveaux d'interprétation d'une seule source physique. Une ligne horizontale signie que la fusion a été eectuée à partir de plusieurs sources physiques à un même niveau
d'interprétation ; elle est qualiée de fusion multi-sources. La courbe qualie une fusion mixte ou
oblique : elle combine plusieurs sources physiques à plusieurs niveaux d'interprétation. C'est cette
fusion là qui nous paraît être la plus pertinente.
52
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
3.2.1.1
La fusion sémantique dans le processus d'abstraction
La fusion sémantique consiste en la combinaison de diérents niveaux d'interprétation
de la même source physique (ou donnée) dans le but d'obtenir ou de faire ressortir des
caractéristiques pertinentes de la donnée représentant une entité, activité ou événement
(on reprend ici la dénition de la fusion donnée précédemment, transposée au cas où l'on
considère une seule donnée).
La fusion sémantique permet de construire des nouvelles abstractions à partir
d'autres abstractions.
Cette armation sous-tend une libre circulation des informations
dans le processus. Comme on l'a vu, la fusion permet d'abstraire des données. Un exemple
de fusion sémantique est la construction des abstractions complexes dénies dans la section 3.1.2.2 ; la combinaison des abstractions simples et de plusieurs types de connaissances
permet de dénir d'autres abstractions (la fusion temporelle a été aussi introduite).
3.2.1.2
La fusion multi-sources dans le processus d'abstraction
La fusion multi-sources n'est pas utilisée sur des données d'USIs, ou du moins si elle
l'est, c'est après une étape de fusion sémantique. Les raisons sont essentiellement pratiques
(mais des recherches vont dans ce sens depuis peu), en particulier parce que les relations
entre les données d'anesthésie réanimation sont mal connues. De plus, elles sont dicilement
transcriptibles par les médecins. Ceci s'explique de plusieurs manières. Tout d'abord, le
ux de données est important (de l'ordre d'une mesure par seconde par paramètre et ce
pour plusieurs dizaines de paramètres) et le format des données ne correspond pas aux
discours des médecins, ce qui empêche une bonne visibilité des données par les médecins.
Ces derniers abstraient les données naturellement et considèrent ainsi principalement leurs
valeurs symboliques, à savoir un paramètre considéré comme normal ou anormal. C'est
pourquoi la fusion multi-sources est employée une fois les données abstraites pour extraire
de la connaissance.
3.2.1.3
La fusion temporelle
La fusion temporelle est omniprésente dans les processus d'abstraction temporelle. En
particulier, les mécanismes horizontaux d'abstraction relèvent de fusion temporelle. Nous
n'entrerons pas dans plus de détails (voir par exemple [Bloch, 2003] où un chapitre lui est
consacré).
3.2.1.4
La fusion mixte ou oblique
C'est la fusion qui semble la plus pertinente dans un processus d'abstraction. Elle combine plusieurs données à plusieurs niveaux d'interprétation. C'est aussi la plus complexe à
mettre en ÷uvre et c'est pour cette raison qu'elle est très peu usitée.
A l'heure actuelle, les processus d'abstraction des données reposent principalement sur
des méthodologies mono-paramétriques ; c'est à dire qu'elles permettent d'abstraire les données, donnée par donnée sans tenir compte (ou très peu) des relations entre les données. En
21 . Ceci
ce sens, les méthodes d'abstraction relèvent d'une application de la fusion sémantique
21
Nous verrons plus tard que l'abstraction des données devrait relever de la fusion oblique mais la complexité d'un tel système est telle que les recherches dans ce sens sont encore embryonnaires.
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
53
dit, les systèmes d'abstraction actuels ne reposent pas sur des principes de fusion à proprement parler. Certains systèmes reposent uniquement sur une étude statistique de la donnée.
D'autres seulement sur la connaissance experte. Il est clair que pour ces deux procédés, il
n'y a pas de fusion sémantique puisqu'ils n'utilisent pas diérents niveaux d'interprétation
de la donnée. Des systèmes dits mixtes utilisant plusieurs sources d'informations (données
et connaisances) sont plutôt des systèmes itératifs que des systèmes reposant sur de la fusion. Les diérentes informations ne sont pas combinées, elles sont injectées dans le système
d'abstraction au fur et à mesure. En outre, ces informations ne sont aucunement produites
par le système. Nous développerons ces remarques dans la section 3.3.
3.2.2
Un processus incrémental
Le processus d'abstraction doit être contrôlé an d'apporter de l'information able : un
niveau trop bas d'abstraction noie l'information, et un niveau trop haut perd de l'information qui peut s'avérer pertinente. Il s'agit alors de déterminer le niveau optimal à atteindre
et le moyen d'y parvenir. Cette recherche du meilleur compromis (pour résoudre le gap
sémantique) peut être optimisée par un procédé
incrémental, contrôlé à chaque étape.
De plus, le processus d'abstraction doit reposer sur des valeurs de paramètres ables, cette
exigence n'étant pas vériée automatiquement, en particulier dans les applications médicales
à cause du bruit qui entache les données et des données manquantes.
Un processus incrémental permet de prendre de petites décisions au fur et à mesure du
processus. De cette manière, il rend possible une validation petit à petit et limite donc les
erreurs importantes. De plus, il est tout à fait adapté à un processus de fusion puisqu'il rend
possible l'utilisation des résultats obtenus à chaque étape pour l'étape suivante.
3.2.3
Les connaissances dans le processus d'abstraction
L'abstraction temporelle peut être considérée comme une tâche d'interprétation des données [Shahar, 1997] :
The temporal-abstraction (TA) task can be viewed informally as a type of a generic interpretation task : given a set of time-stamped data, external events, and
abstraction goal, produce abstractions of the data that interpret past and present
states and trends and that are relevant for the given set of goals.
Interpréter des données nécessite de la connaissance. Tous les mécanismes d'abstraction
doivent être guidés par la connaissance du domaine. Une abstraction ne peut avoir lieu
sans tenir compte du contexte, elle n'a de sens que dans un contexte précis ; autrement dit,
l'action d'abstraire doit être contextualisée.
L'introduction de connaissances permet de guider le processus d'abstraction dans un
contexte donné. Le contexte lui-même est construit à partir de connaissance (en l'occurrence
des connaissances de classication). La section suivante décrit les connaissances utiles d'après
Shahar [Shahar, 1997].
Les connaissances utiles selon Shahar
An de décrire chaque mécanisme d'abstraction en terme de connaissance utilisée, Shahar
a classié ces dernières selon quatre types [Shahar, 1997] :
54
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
La connaissance structurelle concerne les propriétés des paramètres comme les
unités, . . .
La connaissance sur la classication permet de transformer les valeurs numériques
des données en valeurs symboliques par exemple.
La connaissance sur la sémantique temporelle permet de concaténer deux intervalles successifs par exemple.
La connaissance sur la dynamique temporelle détermine la persistance d'une
valeur d'un paramètre, par exemple.
Chaque type de connaissance permet de guider les diérents mécanismes d'abstraction
temporelle. Considérons un paramètre échantillonné à 0.1Hz, soit une valeur toutes les dix
secondes. Si on a la connaissance sur la dynamique temporelle du paramètre suivante : valeur
du paramètre valide sur dix secondes, alors on considère que sur l'intervalle de longueur
dix secondes, le paramètre a la même valeur. Il s'agit uniquement de la connaissance utilisée
pour la construction des abstractions. Plusieurs types de connaissance peuvent être utilisés
pour une tâche d'abstraction.
An de conclure cette section, nous tenons à préciser que la contruction d'un système
d'abstraction n'est pas aussi évidente que l'on pourrait le croire ; nous reprenons ainsi la
citation suivante de Sowa mentionné dans [Clancey, 1985] :
The set of features. . . seem almost obvious once they are presented, but nding the
right features and categories may take months or years of analysis. The proper set
of categories provides a structural framework that helps to organize the detailed
facts and general principles of a system. Without them, nothing seems to t, and
the resulting system is far too complex and unwieldy.
3.3 Quelle utilisation des données et de la connaissance pour
l'abstraction ?
A notre connaissance, les processus d'abstraction de données en USIs que l'on trouve
dans la littérature ne sont pas qualiés en terme de fusion de données. Cependant, on peut
les classer suivant l'utilisation qu'ils font des connaissances et des informations. Certains
présentent une méthodologie ne tenant compte que des données, d'autres reposent sur la
gestion explicite des connaissances [Shahar, 1997] par exemple ou encore l'utilisation des
données et des connaissances [Miksch et al., 1996]. . .
Chaque système de monitoring est dévoué à une tâche particulière. Certains sont conçus
pour reconnaître des patterns prédénis (DIAMON-1 [Steimann, 1996], [Steimann, 1995] et
TrenDx [Haimowitz and Kohane, 1996]) ; d'autres pour le suivi de protocole et la dénition
d'action thérapeutique à entreprendre (Vie-Vent [Miksch et al., 1996]). La comparaison est
alors dicile. Les problèmes rencontrés pour la surveillance clinique de patients sont si nombreux qu'une seule approche ne peut pas les résoudre tous.
Dans cette section, nous détaillons ces méthodologies d'abstraction des données classées
suivant l'utilisation des données et des connaissances qu'elles proposent an de mettre en
exergue des processus de fusion ou tout du moins, de pouvoir les comparer sur leur principe
fusionnel. Ceci dit, on peut noter dès à présent deux points :
(1) Les données étant temporelles, la fusion temporelle est introduite dans tous les
sytèmes d'abstraction, ainsi nous ne reviendrons pas ou peu sur cette fusion.
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
55
(2) Moins la connaissance est utilisée plus le traitement peut être considéré de bas
niveau (il se résume à de la détection de tendances) et plus la connaissance est
employée plus les abstractions sont de haut niveau (comme les scénarios de Dojat
[Dojat et al., 1998]).
3.3.1
Des méthodes d'abstraction des données statistiques
Nous présentons ici, trois systèmes d'aide à la décision comportant chacun une étape
d'abstraction des données. La construction des abstractions repose ici, sur des méthodes
statistiques, très proches du traitement du signal qui transforment les données en une seule
étape. Le premier système est primaire (et les abstractions sont donc de très bas niveau) et
nous verrons que la préoccupation des auteurs n'est pas l'étape d'abstraction. Les deuxième
et troisième comportent une phase d'apprentissage pour le calcul des abstractions. Dans
les systèmes présentés ci-après, les abstractions sont calculées paramètre par paramètre. Il
n'y a donc aucune fusion à partir de sources physiques dans ces processus (au niveau du
processus d'abstraction). Nous allons étudier ces systèmes suivant l'utilisation de fusion de
niveaux d'interprétation.
3.3.1.1
TrendFinder
TrendFinder conçu par Tsien et al [Tsien, 2000], [Tsien et al., 2000], est un système élaboré pour découvrir de la connaissance nécessaire pour détecter des événements, ou des tendances dans des séries temporelles, en l'occurrence, des valeurs de paramètres de nouveauxnés en USIs. Deux applications du système sont possibles : la première est de détecter des
artefacts de bas niveau sur les signaux physiologiques et la seconde de détecter des tendances
de haut niveau indiquant des vraies alarmes. Il s'agit d'un système dédié à la diminution
des fausses alarmes. La méthodologie est décrite de la manière suivante. Des tendances
simples (moyenne, médiane, . . .) sont calculées sur plusieurs intervalles temporels xés (3,
5 et 10 minutes) pour chacun des quatre signaux physiologiques traités. A chaque valeur
calculée est attribuée a posteriori une classe (artefact, non artefact et transition). Elles
sont réparties grâce au fait que durant l'acquisition des données, un expert se trouvait au lit
du malade et était chargé d'annoter les alarmes. Ensuite, une régression logistique est appliquée pour chaque signal an d'optimiser le nombre de noeuds fournis à un arbre de décision.
Un arbre de décision est construit par signal pour détecter un artefact sur ce signal. Les
résultats semblent encourageants. Par exemple, pour l'oxygène, tous les événements non
artefacts (3335) sont classés correctement et 56 des 64 artefacts sont repérés comme tels.
Cependant, le choix du calcul des tendances et de la taille des fenêtres dépendant de seuils
prédénis est discutable.
Bilan
Ici, on voit bien que la transformation des données, ce que l'on appelle abstrac-
tion, est sous-estimée ou tout du moins de très bas niveau. Il n'y a pas eu, à proprement
parler, de véritable travail de réexion sur ce sujet. Il s'agissait ici, de passer rapidement
à l'étape de classication. Il n'est pas question de fusion pour aboutir aux abstractions, ni
d'incrémentalité. Mais, les auteurs négligent l'importance de l'étape de transformation.
56
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
3.3.1.2
Les tendances de Calvelo et al
Dans [Calvelo et al., 2000], Calvelo et al proposent une méthodologie pour l'extraction
de tendances locales de données de patients d'unités de soins intensifs. Les tendances sont
calculées par régression linéaire dans une fenêtre temporelle glissante, appelée échelle caractéristique dont la taille dépend de la dynamique du paramètre traité. L'écart type donne
un index de stabilité locale. L'étape d'abstraction qualitative est eectuée à partir du partitionnement du plan tendance/stabilité et procure des notions comme augmenté, diminué,
constant ou instable. Le partitionnement de ce plan nécessite l'introduction de connaissances a priori pour xer les seuils ; il s'agit donc de
connaissances de classication,
puisque ces seuils concernent les variations des écart-types et des coecients de régression propres à la méthodologie proposée. Dans ce papier, les seuils sont xés au préalable
quelle que soit l'évolution du patient. Mais, dans une version récente, pour la valeur du
seuil de stabilité/instabilité, le choix du critère a été déni comme la valeur d'un percentile
de la distribution des écart-types calculés sur une fenêtre pré déterminée de longueur xe.
Le principe de ce système est d'extraire le maximum d'information à partir des données
elles-mêmes et de repousser le plus tard possible l'introduction de connaissances (dans le
chapitre 5, on détaille cette méthodologie). Ensuite, un arbre de décision est utilisé pour la
phase de décision.
Bilan
Cette méthodologie a deux principales qualités. La première est de tenir compte
de la dynamique propre de chaque paramètre, en particulier pour le calcul de la fenêtre
glissante. La seconde est de proposer la notion d'instabilité. C'est une notion très pertinente
et rarement dénie (à notre connaissance, elle n'est pas répertoriée dans d'autres systèmes
de monitorage clinique), en particulier en USIs où les signaux peuvent être très bruités
et/ou très perturbés (par exemple si le patient tousse). Le contrôle est principalement dû à
la modélisation statistique et la validation a priori est eectuée par les experts.
Même si l'étape d'abstraction est pertinente pour plusieurs points déjà évoqués, elle
ne repose pas exactement sur de la fusion. La transformation numérique/symbolique est
fondée sur l'introduction de connaissance a priori pour la détermination des seuils de stabilité/instabilité et augmenté/constant/diminué. Mais, cette étape est eectuée après le calcul
des coecients de régression et d'écart-types. On ne peut alors pas parler véritablement de
fusion. Le processus est constitué de plusieurs étapes : calcul de l'échelle caractéristique
par apprentissage, calcul des coecients de régression et d'écart-types, puis transformation
numérique/symbolique. En ceci, le processus est incrémental. Le calcul de l'échelle caractéristique permet de tenir compte de la dynamique propre de chaque paramètre. Cette échelle
constitue une fenêtre glissante sur laquelle chaque tendance est calculée. Par contre, le seuil
de stabilité/instabilité est xe que ce soit pendant toute la durée du signal ou sur des
intervalles xes de longueurs pré-déterminées de ce signal.
3.3.1.3
Les abstractions de Morik et al
Ici, le problème est un peu diérent, il ne s'agit pas à proprement parler de surveillance
de patients en général. Le système est chargé de surveiller la prise d'un médicament en
USIs (plus particulièrement, quand et comment changer la dose de tel médicament). Dans
[Morik et al., 1999] [Morik, 2000] [Morik et al., 2000], Morik et al décrivent une méthode de
combinaison de diérentes méthodes d'acquisition de connaissances médicales basées sur les
57
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
machines à vecteur de support (Support Vector Machines ).
L'abstraction de données est utilisée pour la détection de tendances ou de changements
de comportement. Elle repose sur une analyse statistique ; la méthode employée est appelée
ARIMA (Auto-Regressive Integrated Moving Average). La méthodologie s'appuie sur les
travaux de [Imho et al., 1997] puis revus par Bauer et al [Bauer et al., 1998] (voir l'article
de Imho [Imho et al., 1997] pour une description de cette méthode et les références de cet
article). Le principe de ce modèle est de considérer chaque observation comme la somme de
deux combinaisons linéaires ; une des observations passées (AR) et l'autre de bruits blancs
(MA). Le I dans ARIMA signie simplement qu'on applique le modèle aux diérences
entre deux observations. Les valeurs de prédiction de ce modèle pour les valeurs suivantes
sont ensuite comparées aux valeurs réelles du laboratoire. Ce modèle permet de détecter les
changements signicatifs des valeurs des variables et d'estimer les eets des actions thérapeutiques sur trois variables physiologiques. Dans [Bauer et al., 1998], Bauer et al proposent
une méthode statistique pour trouver des patterns qualitatifs de type tendance, changements
de niveau ou outliers sur des données physiologiques. Elle est basée sur la reconstruction de
l'espace des phases qui est la projection des séries temporelles dans un espace euclidien de
dimension la longueur de la fenêtre temporelle choisie.
Le processus de reconnaissance de pattern s'appuie ainsi sur l'espace des phases et de la
méthode des moyennes mobiles sur une fenêtre temporelle de dimension xée au préalable
(pour plus de détails, voir [Morik et al., 2000]). Le principe est de déterminer pour chaque
point, si le vecteur de l'espace des phases associé aux points antérieurs et correspondant à la
fenêtre temporelle, est dans une région critique
22 ; ce qui permet de détecter un changement
de comportement du paramètre considéré.
L'abstraction dans le système d'aide à la décision
Les abstractions construites par
apprentissage nourrissent un système global. Ce dernier comporte un autre module comportant des règles (découvertes par apprentissage à l'aide de machines à vecteurs de support)
permettant de modéliser les interventions appropriées quant à la quantité de médicament
à injecter. Ensuite, à partir de la connaissance médicale et de l'expertise clinique en aide à
la décision, une base de connaissances (s'appuyant sur la logique du premier ordre) sur les
eets et les interventions thérapeutiques a été créée. De plus, il a été intégré un mécanisme
de traitement statistique. L'intégration de procédures numériques et de base de connaissances facilite la tâche de validation de deux manières. D'un côté, la base de connaissances
est validée par les enregistrements antérieurs des patients. De l'autre, les interventions médicales qui sont recommandées par les résultats de l'apprentissage sont justiées par la base
22
Le principe est décrit de la manière suivante (la fenêtre temporelle est ici choisie de longueur 60 observations et di est la diérence entre deux observations) [Morik et al., 2000] :
The rst 60 observations are taken and retrospectively analysed (i.e. outlying regions are estimated and patterns in this time interval identied). After this, a time window of length 60
is moved through the data. That means, that at time point 61 we determine if the phase space
vector d
61
is in the critical region. If not, then no pattern is detected, and the estimated critical
2
region is replaced by a new one, that is estimated from the last 60 observations d , . . ., d
61 .
This is repeated for every new observation as long as for the time point t the phase space vector
dt once falls into a critical region. Then the system is said to be no longer in a steady state,
and after analyzing the consecutive observations dt+1 , dt+2 ,. . ., it is decided if a pattern is
present similar to the retrospective analysis.
58
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
de connaissances.
Dans [Fried et al., 2002], les auteurs répertorient plusieurs méthodes statistiques pour
détecter des tendances ou des changements de niveau dans les données de monitoring. Cependant, ils concluent sur les limites de telles méthodes numériques et le besoin de les
combiner à des méthodes à base de connaissances an de pouvoir estimer l'état du patient.
Bilan
Dans le système décrit dans les articles [Morik, 2000] [Morik et al., 2000], il s'agit
principalement d'étudier les eets d'une action thérapeutique. Le contexte d'étude est restreint et les connaissances expertes sont bien dénies (voir [Imho et al., 1997] pour la description des changements des paramètres attendus). L'application de cette méthode à des
données de haute dimension comme en surveillance de patients en anesthésie réanimation
semble compromise. Cependant, dans [Gather et al., 2001], Gather et al proposent une méthode de réduction de dimension. Une telle méthode permet de ne tenir compte que des
variables les plus signicatives avant de chercher des patterns caractéristiques. L'apprentissage du système de Morik et al nécessite de solides connaissances en mathématiques an de
la comprendre correctement et la visualisation des résultats n'est peut-être pas très explicite
pour les experts médicaux. La validation des abstractions n'est pas faite explicitement. Les
abstractions sont utilisées pour décider s'il faut eectuer une intervention thérapeutique. Ce
sont alors les règles de décision d'une action qui sont validées par de la connaissance experte.
Dans le processus propre d'abstraction, il n'y a pas de fusion, ni d'incrémentalité. Comme
dans les systèmes précédents, une fois les abstractions calculées, elles sont directement utilisées.
Bilan sur les méthodes statistiques d'abstraction
Dans ces exemples, on note une
absence quasi-totale de fusion de données, sémantique ou multi-sources. Les méthodologies
ne sont pas incrémentales ce qui empêche, par nature une fusion sémantique : puisqu'il n'y a
qu'un seul niveau d'interprétation des données dans ces méthodes, il ne peut y avoir de fusion
de plusieurs niveaux d'interprétation. Il est à noter que le travail de Calvelo et al repose
sur une méthodologie incrémentale et induit plusieurs niveaux d'interprétation (au nombre
de deux, niveau numérique avec les coecients de régression et les écart-types et un niveau
symbolique après le partitionnement du plan tendances/stabilité). Mais la méthodologie ne
procède pas à la fusion, les diérentes étapes se succèdent sans tenir compte de la précédente
et il n'y a pas de combinaison d'informations. En ce sens, on considère qu'il n'y a pas de
fusion sémantique.
La fusion multi-sources qui permet de combiner plusieurs paramètres n'est pas utilisée
dans ces exemples. Aucune relation entre plusieurs paramètres n'est étudiée pour améliorer
le processus d'abstraction.
L'introduction de connaissances est très faible. Les abstractions obtenues sont de bas
niveau.
3.3.2
Des méthodes d'abstraction mixtes
Les méthodes présentées ci-après sont appelées mixtes car elles utilisent à la fois les
données numériques et les connaissances dans le processus d'abstraction. Elles tiennent
59
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
compte à diérents niveaux des comportements des données numériques et des connaissances
expertes dans le processus pour contrôler les mécanismes de l'abstraction, en particulier la
transformation et l'interprétation des données. Les méthodes présentées sont au nombre de
trois. Les deux premières consistent en la comparaison de patterns pré-dénis grâce à la
connaissance experte à des formes extraites des données ; il n'y a pas de fusion dans ces
systèmes. La dernière est plus élaborée ; de la connaissance a priori est injectée à plusieurs
niveaux du processus. Cependant, on ne peut pas, là non plus, parler de fusion sémantique
ou multi-sources. Les diérents niveaux d'interprétation des données (d'où les diérentes
étapes d'abstraction) se suivent mais ne communiquent pas entre eux.
3.3.2.1
Le système TrenDx d'Haimowitz et al
TrenDx, conçu par Haimowitz [Haimowitz and Kohane, 1996] permet la reconnaissance
automatique de tendances en comparant les données à des patterns appelés trend templates. TrenDx a été appliqué à la surveillance de patients en USIs et de la croissance des
enfants. En USIs, les principaux objectifs de leur système sont de développer des moniteurs
dépendants du contexte an de réduire le nombre de fausses alarmes et de créer un langage
permettant aux utilisateurs d'écrire des patterns cliniques pertinents. Les formes de référence ou trend templates sont construites à partir des discours des experts et peuvent être
associées entre elles ; il s'agit principalement de
connaissance de classication. A partir
de plusieurs modèles de régression linéaire (constant, linéaire et quadratique), les auteurs
distinguent plusieurs types de comportement. Par exemple, un modèle quadratique avec des
contraintes qualitatives permet de représenter une forte augmentation ou diminution suivie
d'une stabilisation. La construction des abstractions repose sur des
connaissances sur la
sémantique et sur la dynamique temporelles. Grâce à ces diérents comportements,
les experts peuvent construire les patterns de situations connues. Ces patterns consistent
alors en des contraintes appliquées à des intervalles temporels, ces derniers possédant des
extrémités incertaines. Pour chaque valeur de contrainte de chaque intervalle temporel, est
attribuée une distribution de croyance suivant le patient. Pour tenir compte des incertitudes
temporelles, TrenDx utilise deux techniques : régression et granularité temporelle.
Bilan
Le principal défaut de ce système réside dans le fait que le comportement nor-
mal du sujet observé doit être connu et traduisible, ce qui n'est pas toujours le cas. Dans
[Horn et al., 1997], Horn et al critiquent le système TrenDx pour son manque de exibilité.
En eet, TrenDx ne s'adapte pas au contexte durant le temps d'observation. Les comportements dits normaux sont dénis au départ et ne sont pas adaptatifs. Un comportement
normal au début d'une observation peut très bien ne plus l'être après ; par exemple, après
la prise d'un médicament ou un changement de ventilation, le comportement physiologique
d'un patient en anesthésie-réanimation. D'après [Miksch et al., 1996], le système a aussi un
défaut d'ordre conceptuel puisque TrendX ne prend pas en compte la thérapeutique et ses
bénéces sur le patient. Il s'agit ici, d'un traitement bas niveau ; il est principalement considéré comme un pré-traitement des données.
Le processus d'abstraction ne repose pas sur un principe de fusion, mise à part la fusion
temporelle. La connaissance est utilisée pour classier les patterns extraits et ces derniers
sont construits à partir de modèles statistiques simples. Il n'y a pas de fusion de diérents
niveaux d'interprétation. En outre, les patterns sont extraits sans procédé incrémental.
60
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
3.3.2.2
Le système DIAMON-1 de Steiman
DIAMON-1 [Steimann, 1995] [Steimann, 1996], est un système pour la construction de
moniteurs capables de faire du diagnostic. A partir de patterns pré-déterminés associés
à des diagnostics, le système essaie d'identier ces patterns dans le ux de données. Il
s'agit de
connaissance de classication ne rentrant pas directement dans le processus
d'abstraction. Il fournit deux méthodes d'interprétation de données temporelles : une pour
la détection de tendances basée sur des classes de comportement, et l'autre grâce à des
automates, pour la modélisation de l'historique de la maladie du patient. C'est un moniteur
intégrant le temps dans son modèle de données et combinant observations temporelles et
logique oue. Steimann donne comme dénition d'une tendance dans [Steimann, 1996] :
set of courses of continuous-time functions having identical meaning with respect
to the given monitoring problem.
Le signal est représenté dans un repère à trois axes : temporalité, valeur de possibilité et
valeur numérique. A chaque point représenté par une valeur numérique et un temps correspondant est associé une mesure d'appartenance ; Steimann parle de concept d'évolution
oue. Un ensemble ou d'évolutions est modélisé ; à chaque évolution possible est associée une possibilité globale. Ensuite, il procède à une approche par automates : une fois
que chaque tendance est répertoriée dans la base de connaissances, l'automate permet de
modéliser les comportements possibles du système à un instant donné. La spécication de
l'automate n'est pas oue, seules les entrées le sont. L'automate ou permet de prendre
en compte les abstractions temporelles. La construction de ces abstractions nécessite des
connaissances sur la sémantique et la dynamique temporelles.
Bilan
Ce système nécessite de connaître a priori les situations à détecter (par exemple,
l'eet d'une ventilation manuelle sur un nourrisson provoque certaines réactions attendues
et décrites par les experts), ce qui n'est pas toujours possible. On peut faire les mêmes remarques que précédemment ; la connaissance n'est pas utilisée directement dans le processus
d'abstraction et il n'y a pas de fusions sémantique et multi-sources à proprement parler.
3.3.2.3
Le système VIE-VENT de Miksch et al
VIE-VENT [Miksch et al., 1996] est un système pour la validation des données et la
planication d'une thérapie, et ce, pour la ventilation articielle des nouveaux nés. C'est un
système en boucle ouverte qui regroupe les systèmes d'alarmes, de monitoring et de thérapie.
Il est dédié à la recommandation thérapeutique pour le changement de réglages du ventilateur. Il permet aussi de signaler des situations critiques, de commenter et de documenter
l'état du patient ventilé. VIE-VENT dispose d'un module d'abstraction de données (voir
page 37, le paragraphe Le syndrome de détresse respiratoire).
Les auteurs appellent le processus d'abstraction data point transformation. Le système
met en correspondance la validation et l'abstraction des données. La validation permet
principalement de détecter des artefacts et de vérier que les abstractions sont cohérentes
[Horn et al., 1997].
Le module d'abstraction des données se divise en plusieurs sous parties : l'abstraction
qualitative des points par le biais de seuils, le lissage des oscillations autour des seuils,
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
61
l'adaptation des seuils et l'ajustement des valeurs qualitatives suivant le contexte (ce qui
est permis par des
connaissances de classication23 ) et enn la transformation en des
intervalles de temps à l'aide des tendances et des connaissances expertes sur les intervalles
de temps (ce qui permet des termes qualitatifs comme diminue trop vite, diminue normalement, . . .). Cette étape correspond à l'étape d'interpolation temporelle et nécessite
de la
connaissance sur la dynamique temporelle des données 24 . Ces diérentes ten-
dances calculées sur diérentes fenêtres temporelles permettent de valider l'abstraction d'un
point (par exemple, si la succession des tendances sur une fenêtre temporelle et la valeur
symbolique du point ne sont pas cohérentes, l'abstraction attribuée au point est déclarée
comme invalide et donc la mesure du point l'est aussi). La connaissance utilisée est une
connaissance de classication.
Cependant, dans [Miksch et al., 1999], les auteurs proposent une nouvelle méthode d'abstraction des données brutes considérant celle de [Miksch et al., 1996] comme non utilisable
sur des données obtenues sur de longues périodes. L'objectif de cette méthode est principalement d'améliorer le passage numérique/symbolique en introduisant de la
structurelle 25 .
Bilan
connaissance
Le processus d'abstraction est incrémental et à chaque étape est utilisé un type
de connaissance. Ce système permet de tenir compte du contexte en plusieurs étapes ce
qui est très pertinent. Chaque étape est cloisonnée et n'interfère pas sur la suivante ou
la précédente. Les diérents niveaux d'interprétation ne communiquent pas et la fusion
sémantique n'est donc pas partie prenante du processus. La notion de validité d'un paramètre sur un intervalle de temps s'appuie principalement sur la comparaison des diérentes
tendances attribuées au point de mesure considéré. Elle est rendue possible par l'introduction de connaissances pré-établies sous forme d'heuristiques. Mais, la fusion est utilisée ici
a posteriori et ne permet pas l'obtention de nouvelles abstractions.
La fusion multi-sources n'est pas présente puisque le système est quasiment monoparamètrique. Il étudie principalement l'évolution d'un seul paramètre à la fois. L'étude
des relations multi-paramètres est surtout réalisée dans l'étape de la validation, mais il
s'agit d'heuristiques de connaissances de classication de type :
V alid(P ULS ) = false =) V alid(SaO2) = false
j HR P ULS j> 8 =) V alid(SaO2) = false
23
Suivant le mode ventilation du patient, les seuils sont changés mais de façon évolutive sur un laps de
temps prédéni. L'ajustement des valeurs qualitatives se fait grâce à des règles du type :
if 30 < PIP<= 35 and PtcCO2 is extremely below target range then PtcCO2 is changed to substantially
below target range
24
Cette connaissance reste très générique. Elle permet de considérer plusieurs intervalles temporels sur
lesquels les tendances sont calculées : la dernière minute, les 10 dernières minutes, les 30 dernières minutes
et les 3 dernières heures. Ensuite, elles sont répertoriées suivant 10 valeurs qualitatives suivent des critères
physiologiques (diminue trop vite, diminue normalement, . . .)
25
Des seuils sur chaque paramètre, donnés par les experts, permettent d'enlever les valeurs abérrantes
des paramètres. Le bruit est ltré grâce à des informations supplémentaires sur la distribution des données,
ce qui permet de dessiner une bande autour des valeurs brutes représentant l'erreur d'approximation. Et
enn, les courbes sont qualiées suivant le comportement de la bande dénie précédemment ; un passage
numérique/symbolique est eectué.
62
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Bilan sur les méthodes mixtes d'abstraction
Dans les processus présentés, la fusion
dans l'abstraction n'est pas non plus considérée en tant que telle. Bien que certains systèmes
en semblent proches (comme VIE-VENT, par exemple), il ne s'agit pas exactement de fusion.
Même si certains processus sont incrémentaux, les étapes sont cloisonnées, chaque étape
est construite à partir de la précédente mais il n'y pas de circulation de l'information : le
processus est principalement itératif. Les auteurs se servent de la connaissance a priori pour
diriger leurs recherches mais elle ne rentre pas en compte directement dans la construction
propre des abstractions.
3.3.3
Des méthodes d'abstraction à base de connaissance
Nous présentons trois processus d'abstraction à base de connaissances. Bellazzi et Larizza
diérencient deux types d'abstraction, Shahar a construit un système formel très proche de
celui de Dojat. Ces trois processus nous ont déjà permis d'introduire les mécanismes formels
de l'abstraction dans la section 3.1.2.
3.3.3.1
Les abstractions de Larizza et Bellazzi
Dans [Bellazzi et al., 2003], Bellazzi et al décrivent un projet de recherche dénissant des
méthodes et des outils pour l'estimation de la performance clinique d'un service d'hémodialyse sur la base de séries temporelles collectées durant la surveillance de patients diabétiques,
divisée en sessions correspondant au moment où le patient va faire une dialyse (ce peut être
une session par semaine, durant quelques heures sur plusieurs mois). Ce projet se divise en
deux parties, une pour l'abstraction de données et l'autre pour l'extraction de connaissances
grâce à des méthodes de découvertes de règles à partir de ces abstractions. Le module d'abstraction de données est décrit dans [Larizza et al., 1995]. Il s'agit de reconnaître des formes
caractéristiques dans les séries chronologiques observées.
Dans [Bellazzi et al., 2002], les données sont d'abord résumées ; pour ce faire, des calculs de médianes et de percentiles ont été eectués pour chaque session. Ensuite, pour
le calcul des abstractions simples, le principe est de classer les résultats en increasing,
decreasing et `stationnary pour les tendances et en low, high et normal pour les
états. Ils utilisent des
connaissances de classication. A partir de ces dernières, sont
construites les abstractions complexes. Celles-ci reposent sur l'étude des relations entre
deux intervalles. Ces relations sont issues de l'algèbre d'Allen (BEFORE, FINISHES,. . .)
[Allen, 1984]. La détermination de contraintes pour déterminer par exemple à partir de quel
délai une abstraction est considérée comme étant avant une autre nécessite d'introduire des
connaissances sur la sémantique et la dynamique temporelles des données. Dans
[Bellazzi et al., 2003], Bellazzi et al ont ané leur méthode d'abstraction. Les auteurs utilisent des ltres multi-échelles basés sur la transformée en ondelettes discrètes pour calculer
les abstractions simples.
Bilan
Le ux de données est relativement peu important puisqu'il s'agit de données ayant
une fréquence d'acquisition de l'ordre de la mesure par jour et les abstractions sont donc
calculées sur des intervalles de temps de l'ordre de la dizaine de mesures, soit de la dizaine
de jours. Le calcul des abstractions simples reste assez primaire et ne tient pas susament
compte de la dynamique des données et surtout, de la grande quantité de bruit présente.
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
63
Toutes les propriétés des abstractions (symboles et durée) sont données à partir de la connaissance. Il s'agit là aussi d'abstractions extraites à partir de signaux mono-paramétriques.
Il n'y a donc pas de fusion multi-sources. Par contre, la construction des abstractions
complexes relève bien de la fusion sémantique puisqu'ils utilisent les abstractions simples
(précédemment calculées) et plusieurs types de connaissance.
3.3.3.2
Le système RÉSUMÉ de Shahar et al
Shahar a implémenté une base de connaissances d'abstractions temporelles dans le système RÉSUMÉ. Celui-ci permet de modéliser et de créer des abstractions de données médicales et temporelles pour l'aide au diagnostic. L'objectif d'un tel système est d'interpréter
le passé et le présent plutôt que de planier [Shahar, 1994]. Ce système peut être appliqué
dans plusieurs domaines : endocrinologie, surveillance du trac routier.
Shahar a construit une base de connaissances d'abstractions temporelles à partir d'une
étude très précise des mécanismes de l'abstraction temporelle. Il a décrit de façon formelle
les mécanismes d'abstraction [Shahar, 1994], [Shahar, 1997], [Shahar and Cheng, 1999] que
nous avons en partie présentés dans la section 3.1.2.1. L'abstraction sous-tend la notion de
temporalité et de connaissance. Ces deux aspects sont cruciaux dans les mécanismes d'abstraction qu'il décrit.
La logique temporelle de Shahar se situe entre celles d'Allen [Allen, 1983] et de Mc Dermott [McDermott, 1982] : ses propositions sont interprétables sur des intervalles (comme
Allen mais ici les intervalles peuvent être de longueur nulle) mais ses primitives sont des
points. Elle est ainsi fortement inspirée de Soham [Shoham, 1987]. Cette logique correspond
mieux aux données cliniques qui sont discrètes mais dont l'interprétation doit se faire le plus
souvent sur des intervalles de temps [Shahar, 1994].
Dans un souci de formalisme, Shahar dénit plusieurs entités de la base de connaissances
d'abstractions temporelles (KBTA). Ces entités sont au nombre de treize et basées sur les
notions d'événement, de paramètre, de contexte
26 . Grâce à l'ontologie des événements, celle
du contexte et celle des paramètres . . ., Shahar constitue l'ontologie des abstractions temporelles.
Les contextes d'interprétation comme [. . .] drug insulin has an eect on blood glucose
during this interval changes the interpretation of the state of the blood-glucose level, by
suggesting a dierent denition of the value LOW [Shahar, 1997], sont construits principalement à partir de
connaissances de classication.
Shahar utilise l'ontologie des abstractions temporelles qui permet de résoudre les cinq
sous-tâches d'abstraction temporelle (voir gure 3.6 où sont reportés certains de ces mécanismes). Les cinq sous-tâches sont résolues par cinq mécanismes d'abstraction temporelle (voir gure 3.8). Le mécanisme tenant compte du contexte crée des intervalles liés au
26
Chaque notion est dénie en termes de proposition ou autre puis déclinée en structure prenant en compte
son aspect temporel. Il dénit un événement comme une action ou un processus extérieur. Il est ainsi externe
au système d'abstraction, et ne peut donc être abstrait à partir des données (par exemple, l'administration
d'un médicament). Il décline cette entité en une entité de type structure associant l'événement à un intervalle.
Pour Shahar, un événement a une durée.
64
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
contexte. Par exemple, il peut s'agir du suivi d'un protocole spécique ou de l'occurrence
d'un événement externe. Le mécanisme d'abstractions contemporaines (correspondant à
l'inférence temporelle verticale) crée des abstractions sur des points ou intervalles de type
état sachant l'ontologie des paramètres, les intervalles contextuels et les paramètres. Il
peut être appliqué à un paramètre ou à plusieurs. Dans ce dernier cas, à partir de plusieurs
paramètres abstraits est construite une seule abstraction, sous forme par exemple de diagnostic. Les trois derniers mécanismes, le mécanisme d'inférence temporelle, d'interpolation
temporelle et de reconnaissances de patterns temporels permettent de résoudre les trois dernières sous-tâches. La construction des contextes est essentiellement construite à partir de
connaissance de classication. A chaque tâche d'abstraction correspond un ou plusieurs
types de connaissance (voir gure 3.8).
65
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Fig. 3.8:
La méthode d'abstraction temporelle basée sur la connaissance (KBTA)
d'après [Shahar, 1997]. La tâche d'abstraction temporelle est divisée en 5 sous-tâches.
triction du contexte temporel
La res-
crée des intervalles contextuels à partir d'un but d'abstraction, d'inter-
valles d'événements ou de paramètres (par exemple, le contexte AZT-toxicity interpretation context
induced by the existence of an AZT-administration event in the context of the CCTG-522 AIDStreatment experimental protocol).
L'inférence temporelle verticale
crée des abstractions symboliques
1
par inférence à partir des valeurs contemporaines des paramètres (numériques ou symboliques) .
L'inférence temporelle horizontale
(ou prolongation par continuïté) : à partir d'intervalles tempo-
rels contigus, liés à un même paramètre, mais liés à des contextes diérents, l'inférence temporelle
horizontale permet d'abstraire un seul intervalle temporel qualié par une proposition temporelle
unique [Ramaux, 1998].
L'interpolation temporelle
(correspond à l'agrégation lorsque l'on consi-
dère des intervalles) permet de générer des abstractions temporelles d'un même paramètre sur des
intervalles disjoints voir même des points (création d'un intervalle si à 2 instants pas trop éloignés le paramètre traité a la même valeur dans le même contexte).
formes
La reconnaissance temporelle de
crée des intervalles à partir d'intervalles disjoints par comparaison avec des modèles prédé-
nis. Chaque sous-tâche peut être eectuée par un des cinq mécanismes d'abstraction temporelle. Les
mécanismes d'abstraction temporelle dépendent de quatre types de connaissance.
Bilan
Selon Shahar et al, bien que ces résultats soient encourageants, ils notent quelques
dicultés pour des données médicales, en particulier la représentation de données cycliques,
la recherche d'une origine temporelle (âge du patient et cycles de chimiothérapie par exemple),
l'intégration de requêtes statistiques ou temporelles et l'intégration de patterns d'événements
(administration de médicaments) et non plus seulement de paramètres (glucose). D'après
1
En fait, Shahar considère l'inférence temporelle verticale comme temporelle puisqu'il justie le fait de
joindre deux intervalles disjoints ou deux points si l'espace les séparant, c'est-à-dire le délai temporel entre
les deux éléments, est en dessous d'un seuil donné. Il y a la notion de persistance des valeurs du paramètre
dans un contexte temporel donné. Ainsi, on peut rapprocher l'inférence temporelle verticale de Shahar de
l'abstraction qualitative de Clancey pour un paramètre et de l'abstraction dénitionnelle pour plusieurs.
66
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
[Horn et al., 1997], le système RÉSUMÉ comprend plusieurs défauts : il n'inclut pas diérents classieurs pour diérents niveaux d'anormalité, il nécessite de la connaissance prédénie du domaine ce qui n'est pas possible dans certains domaines. De plus, on peut noter
que ce système ne semble pas adapté à des données de haute dimension comme celles d'USIs,
où la fréquence des données est élevée.
Shahar et al ont permis de poser clairement et de manière formelle, voire même de
disséquer le problème d'abstraction temporelle des données. Ils ont mis en lumière le rôle
primordial des connaissances du domaine dans le mécanisme d'abstraction. Cependant, elles
jouent un rôle tel, que la construction des abstractions est pénalisée dans le cas de domaines
d'application où la connaissance est incomplète. En particulier, la reconnaissance de patterns
qui permet d'obtenir des abstractions plus complexes et donc d'un niveau d'interprétation
supérieur (par le biais de relations entre paramètres, par exemple), est basée entièrement
sur la connaissance experte.
3.3.3.3
Le système NéoGanesh de Dojat
Les travaux de Dojat [Dojat, 1994] rejoignent ceux de Shahar dans la mesure où les abstractions sont là aussi principalement basées sur la connaissance. Les mêmes connaissances
(connaissance
structurée, connaissance sur la classication, connaissances sur la
sémantique et la dynamiques temporelles) sont utilisées. Cependant, Dojat introduit
les concepts d'abstraction d'oubli/agrégation an de ne pas stocker des données obsolètes
qui peuvent saturer les machines, en particulier en temps réel dans des domaines où un
important ux de données existe. Ces abstractions permettent la construction de scénarios
à partir de la connaissance experte. Ce système appelé NéoGanesh est en boucle fermée et
est destiné à contrôler l'assistance ventilatoire de patients en USIs (voir chapitre 2).
Bilan
Le processus est basé sur l'implication de plusieurs types de connaisances à chaque
étape de l'abstraction. En ce sens, on peut parler de fusion. Cependant, la construction des
patterns est régie par la connaissance experte et n'est pas apprise à partir des données : il
n'y a pas de fusion multi-sources puisque ces règles ne sont pas apprises. Par contre, le
processus est incrémental.
Bilan sur les méthodes d'abstraction à base de connaissances
Ces deux systèmes
(RÉSUMÉ et NéoGanesh) proposent une méthodologie de type supérieur, c'est à dire
qu'une fois les abstractions produites, le système ne permet pas d'y revenir. Pour cette
raison, ils paraissent peu adaptatifs.
L'introduction de connaissances dans ces systèmes permet de contrôler les abstractions.
Elle est aussi incrémentale puisqu'il y a plusieurs étapes : construction des abstractions
simples et complexes pour Larrizza et al et plusieurs mécanismes (inférence, puis agrégation,
etc . . .) pour les deux autres. Par contre, bien que les systèmes décrits utilisent de la fusion
sémantique, cette utilisation reste tout de même limitée. Ces processus sont incrémentaux :
chaque étape d'abstraction est eectuée à partir des résultats de l'abstraction précédente. La
fusion consiste principalement en la combinaison de ces résultats et la connaissance a priori.
La communication entre les informations est alors restreinte. La construction de scénarios
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
67
ou de patterns est faite à partir de connaissance et ne procède pas à des règles apprises. En
ce sens, la fusion multi-sources n'est pas utilisée.
3.4 Synthèse et présentation de quelques pistes pour l'abstraction des données
3.4.1
Synthèse
Nous récapitulons dans le tableau 3.2 les diérents systèmes d'abstraction pré-cités suivant les principes énoncés en introduction de ce chapitre ; à savoir si ce sont des systèmes
incrémentaux, et s'ils utilisent de la fusion (comme elle a été dénie dans ce chapitre).
Au vu de ce tableau, il est clair que les méthodes d'abstraction de données citées dans ce
chapitre, n'ont pour la plupart, pas tenu compte de ces principes. Même si certaines peuvent
être décrites en terme de fusion, elles n'intègrent pas de fusion de plusieurs niveaux d'interprétation. La fusion est essentiellement due à l'incrémentalité de l'injection de connaissances
qui permet de guider le procédé d'abstraction. En cela, il s'agit plutôt de procédés itératifs.
Il n'y a aucun procédé de fusion multi-sources : les relations entre les paramètres n'ont
pas été apprises, elles sont dues à la connaissance experte et les auteurs n'envisagent pas de
les apprendre. Par contre, des opérateurs de fusion temporelle ont été employés dans tous
les processus (plus ou moins évolués).
Ces méthodes n'ont pas été du tout construites suivant ces principes. Il est très dicile
de comparer ces systèmes mais on peut en tirer quelques remarques :
Il n'existe pas de méthodologie clairement dénie d'un système d'abstraction.
Pour chaque système décrit précédemment, il n'y a pas de formalisation du problème
(mis à part RÉSUMÉ où Shahar a formalisé le rôle de la connaissance grâce à la
construction d'une ontologie, et non pas son rôle dans la dynamique du processus
d'abstraction). Chaque système a été construit pour répondre à une problématique
contextualisée et non formalisée.
Ces systèmes sont fermés. Une fois les abstractions établies, le système les considère
comme dénitives et il n'y a pas de moyen possible pour revenir en arrière. En particulier, les systèmes basés sur les statistiques marchent comme une espèce de boîte
noire qui renvoie les résultats sans que ni les experts ne puissent intervenir, ni le système lui-même. Cet état de fait marque surtout un manque d'adaptabilité du système
concerné.
3.4.2
Pistes
Partant de ce constat, nous avons essayé dans ce travail de thèse de formaliser la problématique de l'abstraction de données dans un contexte plus général qui est l'extraction de
connaissances (puisque le but de ce travail est d'extraire des scénarios). Ainsi, concernant
l'abstraction des données, nous nous sommes eorcés de construire une méthodologie basée
sur une ontologie des concepts manipulés. Cette méthodologie propose :
de manipuler des concepts clairement dénis dans un souci de généralisation,
de fusionner ces concepts an d'en optimiser leur utilisation,
de procéder par étapes successives an de prendre de petites décisions et assurer le
contrôle,
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
68
ou
au-
Incrémenta-
Fusion
Fusion multi-sources
oui
lité
Fusion sémantique
non
oui
précé-
précé-
Fusion
non
non
que
que
oui
oui
oui
oui
oui
relle
non
non
TrendFinder
oui
oui
Calvelo
non
non
non
Morik
oui
non
non
non
non
non
car les règles permettant
de passer à une abstraction
dénitionnelle sont obtenues
grâce à la connaissance experte.
Des
relations
entre
plusieurs paramètres ne sont pas
cherchées pendant le processus
d'abstraction.
car les règles permettant
de passer à une abstraction
dénitionnelle sont obtenues
grâce à la connaissance experte.
même remarque
demment
Des
relations
entre
plusieurs paramètres ne sont pas
cherchées pendant le processus
d'abstraction.
non
oui/non
oui/non
oui/non
oui/non
La
fusion
réside
plutôt
dans l'introduction de connaissances dans les étapes qui ne
communiquent pas entre elles.
non
non
oui
oui
oui
oui
non
non
Larizza
VIE-VENT
DiaMon1
TrendX
teurs
Nom
Systèmes d'abstraction
Principe
Basé sur
les
données
Mixte
Basé sur
la
connaissance
RÉSUMÉ
NéoGanesh
même remarque
demment
tempo-
Les diérents systèmes d'abstraction suivant les critères dénis (incrémentalité et fusion). Les réponses oui/non
signient qu'elles sont mitigées et que le système possède certains points pouvant répondre au critère déni mais pas de façon globale.
Tab. 3.2:
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
69
d'améliorer le contrôle par la découverte de scénarios permettant de revenir sur les
abstractions déjà trouvées et éventuellement de les aner. Nous développons ces points
dans le chapitre suivant.
3.5 Découverte de scénarios et fusion
3.5.1
Les scénarios et les abstractions
Les systèmes d'abstraction cités sont des processus mono-paramètriques appliqués à
chaque donnée et ils construisent donc les abstractions paramètre par paramètre. Or, faire
une analyse multi-paramètrique serait certainement le plus pertinent. Par exemple, l'analyse
des autres données peut expliquer un comportement surprenant d'une donnée : soit ce
comportement est justié puisque des comportements similaires se retrouvent chez les autres
données, soit, au contraire il est classé comme artefact s'il n'est pas justié par les autres.
Ce genre d'analyse est typique du raisonnement des experts pendant la surveillance.
Ceci dit, certains systèmes tentent de prendre en compte le comportement de l'ensemble
(ou d'une partie) des données (comme les systèmes de Shahar sous le nom de pattern ou
Dojat sous le terme de scénario). Néanmoins, cette prise en compte est basée uniquement
sur la connaissance experte : ce sont les médecins qui donnent les liens entre les paramètres,
états, événements, . . . Des systèmes de représentation des données et des connaissances sont
développés pour leur faciliter l'expression de cette connaissance.
Comme on l'a vu au chapitre 1, la connaissance médicale est particulièrement incomplète
et l'obtention de scénarios uniquement pas ce biais est limitée. L'extraction de scénarios par
apprentissage à partir des données, informations et connaissances semble ainsi la méthode la
plus pertinente. Cette extraction se place donc dans le contexte plus général d'extraction de
connaissance (un scénario étant une représentation d'une connaissance), et en particulier,
elle repose sur la fouille de données.
Dans notre travail de thèse, nous envisageons la
fouille pour l'extraction de scéna-
rios. Les données ont été préalablement transformées (par des méthodes d'abstraction), et
la recherche de scénarios s'eectue à partir de ces données ou informations. Les scénarios
permettraient :
la découverte de connaissances, qui à leur tour permettraient
le ranement des abstractions, qui à leur tour permettrait
l'obtention par le biais de méthodes de fouille de nouvelles connaissances,
etc . . .
Le processus s'arrêterait lorsque la connaissance découverte sera considérée comme susament pertinente par les experts.
Nous proposons ainsi une approche globale procédant par fusion sémantique (pour le
calcul des abstractions), puis par fusion multi-sources, puis après l'interprétation des résultats, de nouveau par fusion sémantique (pour raner les abstractions), etc. . . La fusion
temporelle est présente dans tout le processus.
3.5.2
La fouille comme un processus de fusion ?
La fouille peut être envisagée comme un processus de fusion des données, informations
et connaissances [Bloch and Hunter, 2001] :
70
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Fusing data and rule bases aims at completing the data using (maybe defeasible)
inference or at improving the rules by means of data. This involves some learning,
and is close to data mining, where the aim is prediction.
La fouille peut reposer sur les trois types de fusion dénis : fusion temporelle, fusion
sémantique et fusion multi-sources.
Comme pour les processus d'abstraction, trouver un algorithme adéquat de fouille consiste
à trouver le bon équilibre entre la qualité des données et la connaissance disponible. Ainsi, il
s'agit d'intégrer de la manière la plus pertinente et judicieuse les données et les connaissances
an de pouvoir extraire de la connaissance utile. La notion d'utilité nécessite l'interprétation
des résultats obtenus et une méthode de validation et d'évaluation robuste.
Nous dénissons à présent ce qu'est la fouille de données et en particulier la fouille de
données temporelles an d'introduire la recherche de patterns dans notre contexte.
3.6 Qu'est ce que la fouille de données ?
3.6.1
Dénition de la fouille de données
On peut trouver sur le web plusieurs dénitions de la fouille de données.
Par exemple, une dénition dans un contexte industriel :
On peut dénir le data mining comme un processus analytique destiné à explorer
de larges quantités de données (typiquement en marketing, mais aussi en génomique, essais thérapeutiques,. . .) an de dégager une certaine structure et/ou
des relations systématiques entre variables, puis en validant les conclusions en
appliquant les structures trouvées à de nouveaux groupes de données. Le processus suit donc trois étapes : exploration, construction d'un modèle ou dénition
d'une structure, et validation/vérication. Idéalement, si la nature des données
le permet, le processus est répété par itérations jusqu'à ce qu'un modèle robuste
soit obtenu.
. . . ou une déniton plus académique donnée par B. Zupan
27 :
Data mining is an increasingly popular interdisciplinary eld that combine statistics, visualisation, machine learning, and other data manipulation and knowledge
extraction techniques in order to gain insight into the relationships and patterns
hidden in the data.
Finalement, la fouille de données est l'ensemble des techniques et algorithmes permettant de détecter des caractéristiques des données (comme des patterns
28 , par exemple).
Elle est une étape dans le processus d'extraction de connaissance [Fayyad et al., 1996] :
it consists of applying data analysis and discovery algorithms that, under acceptable computational eciency limitations, produce a particular enumeration of
patterns (or models) over the data.
27
http ://www.spss.com/france/seminars/
Un pattern est une forme caractéristique des données qu'elles soient temporelles ou non, discrètes ou
continues,. . . Il peut lier une ou plusieurs caractéristiques d'un même paramètre ou de plusieurs.
28
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
71
Les patterns obtenus devront être ensuite interprétés, évalués et validés pour extraire de la
connaissance.
3.6.2
La fouille de données en trois axes
Il est remarquable de noter ici la diculté de trouver des patterns caractéristiques des
données. Suivant les applications, les dépendances/relations entre les données sont très complexes et ardues à transcrire, à interpréter. Les chapitres 1 et 2 ont permis de pointer le fait
que les données sont souvent peu informatives, à potentiel informatif restreint. Les connaissances a priori sont bien souvent, faibles ou dicilement manipulables. Non seulement la
fouille doit permettre la détection des patterns mais ces derniers doivent posséder des qualités informatives. Ainsi, la validation des patterns utiles est primordiale et doit être prise
en compte dans le choix de l'algorithme de fouille, de la représentation des patterns et de
la méthode de validation. Le choix de ces trois points fait partie intégrante de la fouille.
Ils peuvent être dénis de la manière suivante [Fayyad et al., 1996] :
Une représentation du modèle Elle doit permettre une explicitation pertinente du pattern découvert, susamment expressive et informative pour l'utilisateur. Cependant,
une représentation satisfaisante du pattern n'induit pas forcément une interprétation
aisée du modèle (le meilleur exemple étant les réseaux de neurones dont les patterns
peuvent être exprimés sous forme de règle mais dont l'interprétation du modèle reste
une boîte noire pour l'utilisateur).
Des critères d'évaluation du modèle Ils sont quantitatifs et permettent de quantier
l'utilité, la nouveauté, l'informativité, . . . des patterns découverts.
Une méthode de recherche Lorsqu'une représentation du modèle et les critères d'évaluation sont dénis, la recherche du modèle peut être envisagée comme un problème
d'optimisation : quel est le meilleur modèle qui optimise les critères d'évaluation pour
la représentation du modèle choisie ?
Faire de la fouille de données, c'est aussi, dans un premier temps avoir ou choisir (lorsque
l'on peut)
une représentation des données. Avoir une représentation des données perti-
nente permet d'avoir des données informatives, à potentiel informatif et des résultats de la
fouille dignes d'intérêt dépendent souvent de la représentation initiale des données.
Nous allons à présent présenter la fouille de données temporelles qui est le sujet nous
intéressant dans cette thèse.
3.7 La fouille de données temporelles
Cette section est un tour d'horizon des problèmes posés pour la fouille de données temporelles. Il n'a pas la prétention d'être exhaustif. Il s'agit de présenter quelques représentations
de données temporelles et quelques techniques de fouille. Le but de cette section est de mettre
en avant les dicultés liées à toutes ces possiblités. Ici, se pose une question importante pour
les données temporelles : traditionnellement, on transforme les données an de pouvoir appliquer les algorithmes de fouille de données (qui sont indépendants du temps). Mais ne serait-il
pas astucieux de développer de nouveaux algorithmes (spéciques aux données temporelles)
72
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
pour pouvoir traiter les données ? Cette question commence à se poser chez les chercheurs
s'intéressant aux données temporelles. Ceci dit, nous ne répondrons pas à cette question
dans ce travail de thèse, d'autant plus que nous nous intéressons à des données temporelles
mais dans le domaine médical, qui est tout à fait à part [Cios and Moore, 2002].
3.7.1
En quoi la fouille de données temporelles est-elle diérente de la
fouille de données atemporelles ?
Nous nous inspirons ici de [Höppner, 2002]. Il s'agit de quelques points de diérence
entre la fouille de données temporelles et atemporelles.
La diérence repose principalement sur les données elles mêmes ; les données temporelles
possèdent des caractéristiques spéciques. Nous les détaillons ci-après.
3.7.1.1
Phénomènes de dilatation/translation
La notion de similarité dans les données temporelles est bien moins évidente que pour des
données atemporelles. Ceci provient des phénomènes de dilatation/translation. Les mesures
de similarité traditionnelles, comme la mesure euclidienne par exemple, ne tiennent pas
compte de la dimension temporelle. La gure 3.9 présente quelques séries temporelles. La
mesure euclidienne considère les courbes (a) et (c) comme similaires alors qu'il semble que
ce soit les plus dissemblantes au contraire, du moins à l'÷il humain.
Fig. 3.9:
Illustration de la notion de similarité. La courbe (a) est plus proche de la
courbe (c) que les courbes (b) et (d) lorsque l'on utilise la mesure euclidienne [Höppner, 2002].
3.7.1.2
Plusieurs niveaux d'interprétation possibles
Dans les séries temporelles, il est souvent plus intéressant d'étudier les variations de
comportement des données (les tendances en particulier) que la valeur elle-même à un instant
précis. Mais, la détermination de la bonne échelle temporelle pour étudier les variations est
complexe (voir par exemple [Calvelo et al., 2000]). Sur la gure 3.10, l'on peut se demander
si les variations rapprochées sont signicatives ou non et si elles ne sont pas simplement
l'eet d'une mauvaise échelle de représentation, par exemple.
Il s'agit de pouvoir interpréter les données de la façon la plus able possible. L'étape de
transformation des données prend tout son sens et reste une étape primordiale (voir section 3.1).
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Fig. 3.10:
3.7.1.3
73
Exemple d'une série temporelle ([Höppner, 2002] ).
Dépendances des valeurs numériques
Les données temporelles correspondent à des valeurs d'une même variable à des instants
diérents. Ces valeurs ne sont pas indépendantes et sont fortement corrélées en général.
Cette caractéristique est spécique aux données temporelles contrairement aux données
atemporelles.
3.7.1.4
Mesures d'intérêt de la connaissance
Trouver une mesure appropriée pour évaluer l'intérêt de la connaissance extraite n'est
pas spécique à la fouille de données temporelles. Cependant, la dimension temporelle complique la recherche d'une mesure pertinente puisque la fouille de données temporelles est
généralement utilisée pour faire de la prédiction. Il s'agit de prédire au mieux comment le
paramètre va se comporter. Ainsi, au début de l'épisode, l'incertitude quant à son comportement est importante et plus le temps passe, plus il est prédictible. Cette diérence de point
de vue est dicilement modélisable et donc mesurable. Ceci est renforcé par le fait que les
mesures actuelles sont surtout consacrées aux données atemporelles.
3.7.2
Plusieurs types de représentation de données temporelles
La fouille de données temporelles concerne plusieurs types de représentation de données
temporelles. Elles peuvent être sous la forme de :
Séries temporelles Ce sont des valeurs numériques échantillonnées à une certaine fréquence.
Fragments de séries temporelles Ce sont des séquences de séries temporelles séparées
par des périodes où les données sont manquantes.
Séquences d'événements Ce sont des alarmes par exemple. A chaque événement correspond une étiquette temporelle précisant l'instant où a eu lieu l'événement.
Séquences d'états ou d'intervalles A chaque état correspond là aussi une étiquette temporelle mais elle est un intervalle temporel précisant la durée de l'état correspondant.
A chaque type de représentation des données temporelles, va correspondre une ou plusieurs
technique(s) de fouille. Par exemple, pour une série temporelle classique, les algorithmes de
fouille sont numériques comme par exemple les méthodes de régression. Pour des séquences
d'états, la recherche de règles d'association va être plutôt considérée.
74
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
3.7.3
Plusieurs types de représentation des patterns
Les types de représentation des patterns peuvent être confondus avec le modèle de recherche des patterns. Par exemple, les arbres de décision désignent une méthode de fouille
et une forme de représentation des patterns. Dans ce chapitre, nous nous focalisons sur les
types de représentation. Cette étude n'a pas l'ambition d'être exhaustive mais de présenter
succinctement des exemples.
La fouille de données concerne plusieurs types de représentation de patterns. Ils peuvent
être sous la forme de :
Graphes C'est une représentation très explicite. Si l'on prend l'exemple des réseaux bayésiens, la structure propre du réseau peut être directement donnée par les experts du
domaine.
Règles Elles sont principalement de type SI (conditions) ALORS (conclusion). La prémisse peut comporter plusieurs conditions, qu'elles soient quantitatives et/ou qualitatives, qu'elles portent sur des notions temporelles ou non, . . . Les mêmes remarques
sont applicables à la conclusion. Les arbres de décision rentrent dans cette catégorie.
Systèmes de visualisation spéciques Les cartes de Kohonen [Kohonen, 1997]29 en sont
un exemple. Les techniques de visualisation des patterns sont un sujet de recherche
prometteur et en plein essor [Cios and Moore, 2002] :
Visualization techniques will play an increasing role in this setting, since
images are the easiest for humans to comprehend, and they can provide a
great deal of information in a single snapshot of the results.
Dans [Unwin, 2002], l'auteur précise même que des systèmes de visualisation peuvent
permettre d'évaluer les patterns découverts et ainsi, être des méthodes alternatives
d'évaluation et de validation par rapport aux méthodes classiques telles que les méthodes de statistique.
Cette liste n'est pas non plus exclusive. Par exemple, la représentation de connaissances sous
forme de scénario peut être autant une formulation sous forme de règle qu'une formulation
sous forme de graphe.
3.7.4
Plusieurs critères d'évaluation et/ou de validation
Le principal problème de la découverte de patterns n'est pas tant la découverte elle-même
que l'intérêt des patterns. Les patterns découverts par les algorithmes de fouille doivent être
analysés suivant leur intérêt et leur capacité à apporter de la connaissance utile, nouvelle
et pertinente. Dans cette section, nous assimilons donc les critères d'évaluation aux critères
d'intérêt
30 . Cette validation ou interprétation peut être eectuée par l'intermédiaire de
mesures construites à cet eet. Cependant, comme nous allons le voir plus tard, l'obtention de telles mesures est particulièrement délicate et mal aisée. La mesure des patterns
découverts est une étape suivant la fouille de données dans le processus d'extraction. Mais,
29
Les réseaux de Kohonen sont une projection d'un espace de dimension n dans un espace de dimension
m. An de pouvoir observer concrètement les résultats, on choisit généralement m avec une valeur de 2. Il
est néanmoins possible de le prendre avec une valeur de 3. Mais, cette valeur est rarement supérieure, pour
des raisons de lisibilité graphique.
30
Nous verrons dans un exemple présenté ci-après que des algorithmes de fouille peuvent être validés selon
leur robustesse au bruit mais non pas par rappport à leur intérêt.
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
75
il n'existe pas de mesure universelle, i.e. valable pour tous les algorithmes et souvent, la
mesure dépend de l'algorithme lui-même. Pour illuster notre propos, nous présentons les
travaux de Hilderman et al qui ont essayé de classer ou du moins de recenser les mesures
d'intérêt de la connaissance extraite.
On peut dénir plusieurs critères d'intérêt qui peuvent être classiés de deux manières
[Hilderman and Hamilton, 2000] :
mesures objectives : elles sont basées sur la structure des patterns découverts : jmesure, facteur de certitude,. . .
mesures subjectives : elles sont basées sur les croyances concernant les relations entre
les données. Ces dernières sont sujettes à l'appréciation de l'utilisateur et de l'expert,
eux seuls déterminent la pertinence des règles apprises suivant des critères qui leur sont
propres ; ces mesures sont donc dépendantes de leur utilisation ultérieure et peuvent
sembler ainsi complètement subjectives.
Dans [Hiderman and Hamilton, 1999], Hilderman et al répertorient 17 mesures d'intérêt
qu'ils comparent suivant leur mode de représentation, la nature générale de la mesure (probabiliste, distance,. . .), le nombre de règles couvertes par chaque valeur d'intérêt et la classe
de la mesure suivant son objectivité ou sa subjectivité (voir gure 3.11).
Fig. 3.11:
Les 17 mesures d'intérêt d'après [Hiderman and Hamilton, 1999]
Par exemple, la J-mesure est dénie comme une mesure de classication, de nature probabiliste, calculée pour des règles simples et c'est une mesure objective. La J-mesure est une
mesure d'information de la règle, elle s'apparente à la mesure d'information de Kullback.
Etant donnée la règle if
Y
=
y
then
X
=
x, avec X et Y, deux variables aléatoires, la J-
mesure compare la distribution a priori de X avec la distribution a posteriori de X sachant
76
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Y. L'information relative quantie l'information que
j(
X nY
=
X
y) =
z
2f g
P r (X = z n Y
Y
=
y procure sur X :
P r (X = z n Y = y ) P r (X = z )
=
y) log2
=
y ) j (X n Y
x;x
La J-mesure en est une moyenne :
J (X n Y
=
y ) = P r (Y
=
y)
.
Dans [Hilderman and Hamilton, 2000], Hilderman et al énoncent cinq principes devant
être respectés par les mesures an de rendre compte de l'intérêt de la connaissance extraite. Ces principes sont diérents de ceux cités précédemment ; ce sont les principes de
valeur minimale, de valeur maximale, de biais, d'invariance par permutation et de trans-
f de m variables,
f (n1 ; : : : ; n ) où f représente une mesure générale, m le nombre total de tuples et chaque
n , le nombre de tuples t ayant la propriété i. Ces principes sont inspirés de la théorie de
fert. Ils ont une formulation mathématique et s'appuient sur une fonction
m
i
i
l'information. Par exemple, le principe de valeur minimale :
n ;:::;n
Given a vector ( 1
m
), where
n
i
=
n,i
j
6= j , for all i, j, f (n1; : : : ; n
m
)
attains its minimum value.
Ce principe signie que l'intérêt minimal devrait être atteint quand les nombres de tuples
sont tous égaux (c'est à dire qu'on a une distribution uniforme) et donc, aucun tuple n'apporte plus d'information qu'un autre. Le deuxième principe stipule que le maximum de la
fonction
f
doit être atteint si la distribution est inégale.
Dans la suite de l'article, les auteurs étudient l'adéquation de ces principes à une quinzaine
de mesures (qui sont référencées dans [Hiderman and Hamilton, 1999]). Seules cinq mesures
satisfont les cinq principes (voir gure 3.12).
Fig.
3.12:
Les
diérents
mesures
suivant
les
5
principes
d'après
[Hilderman and Hamilton, 2000]. Les colonnes représentent les cinq principes proposés et les lignes les diérents mesures. Par exemple, la mesure de Shanon respecte les cinq
principes.
77
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Cette étude nous montre qu'il n'y a pas de mesures attribuées à une méthode de fouille
en particulier et que le choix des mesures dépend de plusieurs paramètres, entre autres de
l'objectif que l'on s'est attribué.
Bien que l'intérêt des connaissances nous semble le critère le plus important, il existe
bien d'autres critères comme les critères de sensibilité, de robustesse au bruit, de rapidité
des algorithmes, . . .
3.7.5
Plusieurs méthodes de fouille
Dans cette section, nous décrivons les techniques de fouille en tenant compte de la temporalité des données mais elles sont applicables à toutes sortes de données tant temporelles
qu'atemporelles.
Le site internet UCR Time Series Mining Data Archive procure de nombreuses références dans le domaine de la fouille de données temporelles
31 .
Il existe plusieurs techniques de fouille de données :
L'indexation sert à trouver les séries similaires parmi un ensemble de séries temporelles.
Le clustering permet de trouver des groupes similaires de séries suivant des mesures de
similarité/dissimilarité.
La classication assigne une classe prédénie à une série temporelle non labellisée.
La segmentation crée une approximation de plus petite dimension d'une série temporelle
contenant n points. Cependant, la segmentation se rapproche plus d'une technique de
transformation des données que d'un processus capable d'extraire de la connaissance.
L'extraction de règles décrit les données sous forme de relation de type if then. La plus
connue est la découverte de règles d'association.
La détection d'anomalies permet de trouver des comportements anormaux, surprenants ou nouveaux étant donnée une liste de comportements normaux.
Par exemple, dans [Keogh et al., 2002], Keogh et al dénissent les patterns comme surprenants si la fréquence de leur occurrence dière de celle que l'on pouvait attendre au vu de
données antérieures. Cette dénition ne reposant pas sur l'appréciation de l'expert semble,
pour les auteurs, plus commode et plus objective.
Ces techniques peuvent être envisagées suivant le domaine d'application, l'objectif que
l'on a xé, et la représentation des données que l'on dispose. Les objectifs de la fouille de
données se divisent en deux classes [Roddick and Spiliopoulou, 2002] :
la prédiction des valeurs des caractéristiques d'une population,
l'identication de similarités parmi les membres d'une même population.
Ceci dit, il est très dicile de classer ces techniques tant elles dépendent du domaine
d'application, de l'objectif, . . . Comme l'ont si bien dit Fayyad et al, [Fayyad et al., 1996] :
[. . .] there is no universal data-mining method, and choosing a particular algorithm for a particular application is sometimes of an art.
31
http ://www.cs.ucr.edu/eamonn/TSDMA/
78
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
3.7.6
Exemple de découverte de motifs fréquents
Nous présentons un exemple d'extraction de motifs fréquents dans une série temporelle.
Cet exemple nous semble intéressant puisqu'il permet d'illustrer la problématique de fouille
de données temporelles. Il s'agit de trouver des motifs de longueur pré-déterminée dans une
série temporelle sans connaissance a priori sur les régularités des données [Chiu et al., 2003].
Les données brutes sont transformées et représentées sous forme de données numériques sur
des intervalles de temps, type état. Dans [Lin et al., 2003], Lin et al décrivent la méthode
de transformation des données et montrent l'intérêt
de leur représentation des données
pour les tâches de fouille telles que la classication, l'indexation, . . . Dans [Chiu et al., 2003],
Chiu et al appliquent cette représentation pour l'extraction de motifs fréquents. Nous verrons dans l'exemple présenté ci-après que les critères d'évaluation ne reposent pas sur des
mesures d'intérêt mais plutôt sur la capacité de la méthode à résister au bruit. Les critères
d'évaluation dépendent aussi de la représentation des motifs et de la méthode de fouille.
La transformation/représentation des données [Lin et al., 2003]
La recherche porte ici sur des intervalles de même longueur et des relations monoparamétriques. Ainsi à partir d'une série temporelle que Lin et al transforment en série
symbolique (suite d'intervalles temporels sur lesquels est attribuée une valeur symbolique)
[Lin et al., 2003], ils décrivent un algorithme permettant de découvrir des motifs. L'idée de
l'algorithme est de projeter les objets-données sur des sous-espaces de dimension inférieure,
basés sur un choix aléatoire des caractéristiques des objets.
Avant cette projection, la série temporelle est d'abord transformée en série symbolique ;
les auteurs découpent la série en intervalles égaux sur lesquels ils calculent la moyenne des
valeurs qu'ils attribuent ensuite à cet intervalle. Puis, ils déterminent les points de rupture
grâce à une méthode s'appuyant sur une gaussienne :
B = b1 ; : : : ; b
b +1 = 1=a
Breakpoints are a sorted list of number
a N(0,1) Gaussian curve from
b
i
to
a
1 such that the area under
i
Suivant la position des intervalles par rapport aux points de rupture, sont attribués des
symboles aux intervalles (voir gure 3.13)
Fig. 3.13:
Série temporelle discrétisée puis après détermination des points de
rupture (courbe verticale) symbolisation d'après [Chiu et al., 2003]
Cette transformation de séries temporelles numériques en séries temporelles symboliques
est appelée SAX (Symbolic Aggregate approXimation).
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
79
La découverte de motifs fréquents [Chiu et al., 2003]
Représentation des patterns
Les patterns sont représentés sous une forme de visualisation typique des séries temporelles (voir gure 3.14).
Fig. 3.14:
Illustration de motif découvert dans une série temporelle d'après
[Chiu et al., 2003]. A gauche, une série temporelle. A droite, un motif est découvert même en
présence d'un spike.
La méthode de découverte
Les auteurs cherchent des motifs de longueur pré-dénie. Par exemple, sur la gure 3.13,
le motif cherché a une longueur de 4, c'est à dire qu'il est de longueur correspondant à
quatre intervalles. An de découvrir des motifs fréquents à partir des données transformées
comme ci-dessus, Chiu et al comptabilisent dans une matrice dite de collision le nombre
de fois où l'on retrouve une sous-séquence de symboles et ce, pour toutes les sous-séquences ;
un nombre élevé est un indice fort de la présence d'un motif. An de conrmer cette supposition, les auteurs calculent la distance entre les sous-séquences numériques (à partir des
données initiales) ayant donné lieu aux motifs ; ils utilisent la distance euclidienne (ce qui
peut être discutable). Le problème est qu'ils peuvent trouver des sous-séquences avec une
distance susamment faible pour être considérées comme faisant partie de la classe des
motifs découverts, alors que d'un point de vue symbolique, elles n'en faisaient pas partie.
Dans ce cas là, la sous-séquence symbolique doit avoir une valeur dans la matrice de collision
proche de celle du motif. Pour déterminer un critère d'arrêt pour le calcul des valeurs de la
matrice de collision, plusieurs possibilités sont oertes : xer au préalable un nombre d'itérations, arrêter les calculs lorsque l'expert est satisfait des motifs découverts ou lorsque la
plus grande valeur trouvée n'est pas plus élevée que ce à quoi ils s'attendent. Ils testent leur
méthode sur plusieurs jeux de données : un simulé et deux autres réels dans les domaines
de l'industrie et de l'astrophysique.
Les critères d'évaluation
Le critère d'évaluation est la sensibilité et la robustesse face au bruit des données. Les
auteurs comparent les résultats sur des séries test et des séries où est rajouté du bruit
gaussien. Leur méthodologie permet de trouver des motifs en un temps raisonnable et ce
même en cas de bruit.
Cependant, ils ne tiennent pas compte de l'intérêt éventuel des motifs découverts. Leurs
travaux portent sur la découverte de motifs ; ils ne cherchent pas à les interpréter. Il est
80
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
remarquable de noter aussi qu'ils cherchent des motifs sur une seule série. Leurs perspectives de recherche sont d'introduire d'autres mesures comme la Dynamic Time Warping, de
travailler sur du multi-paramètrique. . .
La transformation/représentation des données appliquée à d'autres techniques
de fouille
Dans [Lin et al., 2003], les auteurs appliquent la méthode SAX à diérentes tâches de
fouille de données temporelles, telles que le clustering, la classication (classication par les
k plus proches voisins et par arbre de décision), l'indexation (voir gure 3.15). Dans ces trois
tâches, ils trouvent des résultats compétitifs par rapport aux mêmes techniques utilisant des
données brutes ou des valeurs réelles (par exemple, avec une représentation par ondelettes
des données). Ensuite, ils illustrent par quelques exemples le fait que cette représentation
de données par SAX peut être un réel avantage pour certaines tâches de fouille de données.
La première est la détection d'anomalies.
Fig. 3.15:
Comparaison de cinq algorithmes de détection d'anomalies d'après
[Lin et al., 2003]. I) la série temporelle brute de référence, II) la série temporelle dont il faut
détecter les anomalies, III) et IV) technique des chaînes de Markov utilisant 2 représentations différentes de la série, V) algorithme IMM, VI) l'approche par arbre TSA, VII) l'approche basée sur
un modèle Markov utilisant SAX qui détecte le mieux les anomalies.
La seconde est la détection de motifs décrite précédemment. Cette méthode SAX est
compétitive, voir supérieure à d'autres modes de représentation de données dans les tâches
de fouille de données.
3.8 Synthèse et présentation de quelques pistes pour la fouille
3.8.1
Synthèse
Ce chapitre a permis de présenter des techniques de découverte de patterns dans des séries temporelles. La fouille de données, notamment temporelles, repose sur quatre étapes : la
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
81
représentation des données, la représentation des patterns, le choix des critères d'évaluation
et le choix du modèle. Par un exemple, nous avons souligné l'importance de la représentation
des données (qui doit être susamment informative) dans le processus de fouille.
3.8.2
Pistes
Comme nous l'avons vu en début de chapitre, nous cherchons à extraire de la connaissance proche des discours médicaux ou tout du moins compréhensible facilement par les
médecins. De plus, cette connaissance doit être décrite sous forme de scénarios. L'extraction
de règles nous a semblé répondre à cette directive puisque :
Elle permet autant de faire de la prédiction que de l'identication.
Elle peut prendre en compte les données interprétées ou abstraites, c'est à dire représentées sous forme d'événements ou de séquences d'états ou d'intervalles.
Les patterns découverts sont représentés sous forme de règles. Ce type de représentation a deux avantages. Tout d'abord, il peut illustrer des considérations temporelles
et causales et décrire les liens entre les paramètres (et les raisonnements des médecins
intègrent principalement la causalité plutôt que la temporalité). Ensuite, il est facilement lisible par les médecins (puisqu'ils ont l'habitude de raisonner en ces termes), et
interprétable (puisque les mécanismes de découverte de règles restent tout de même
explicites).
Les règles peuvent lier des états et des événements par des contraintes
temporelles.
Nous développons ces points dans la section suivante.
Nous cherchons des relations temporelles entre états, événements. Nous sommes ici dans
le cas d'une fusion qui peut être multi-sources, sémantique et temporelle.
3.9 La fouille dans notre contexte
La fouille de données nécessite de dénir : une représentation des données et des patterns,
un modèle ou une méthodologie de fouille et des critères d'évaluation.
Dans la section précédente, nous avons proposé la recherche de règles d'association pour
la découverte de scénarios. Après avoir posé les dicultés de la recherche de règles d'association, nous revenons sur les quatre points de la fouille dans notre contexte.
3.9.1
Problématiques de la découverte de règles d'association
Deux questions centrales peuvent être posées :
1. En général, les algorithmes de fouille de données génèrent une liste de règles d'association. Quelle mesure peut être introduite pour estimer le pouvoir informatif des règles
et sélectionner les plus informatives ?
2. Dans le contexte médical, le temps est omniprésent. Comment tenir compte de cet
aspect temporel ?
Les algorithmes de recherche de règles d'association impliquent explicitement les critères
d'évaluation. Ces derniers jouent un rôle important dans la recherche elle-même. On ne peut
pas diérencier l'algorithme de ces critères puisqu'ils sont impliqués l'un dans l'autre.
82
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
3.9.2
Représentation
Représentation des données
Les données qui nourriront le processus de fouille sont des données transformées, interprétées : ce sont des abstractions. Elles correspondent à des données symboliques sur
des intervalles de temps, elles sont donc de type état. Ce sont des prédicats alliant une
propriété symbolique à un intervalle temporel. Un exemple est présenté ci-après :
[Paramètre 1 instable durant 20 minutes ]
Représentation des patterns
Nous cherchons des relations que l'on peut représenter par des règles d'association. Elles
associent temporellement plusieurs prédicats. Un exemple est présenté ci-après :
SI [Paramètre 1 instable durant 20 minutes ] AVANT [Paramètre 2 instable durant 5
minutes ] ALORS [événement spécique se produit]
3.9.3
Critères d'évaluation des règles
A une règle est associée un
support, c'est à dire le nombre de fois où cette règle est
considérée comme vraie. Le support est donc le nombre de fois où l'on rencontre la prémisse
et la conclusion en même temps ; il correspondra ainsi à la probabilité de leur intersection.
Et grâce à la règle de Bayes, plusieurs types de probabilité peuvent être calculés.
Par exemple, si l'on considère la règle A =) B , on a la conance calculée par :
conf (\A =) B 00 ) = P (B=A) = P (A; B )=P (A) avec supp(\A =) B 00 ) ' P (A; B )
Cependant, nous verrons plus tard dans ce chapitre que face à des données temporelles,
l'étude de la co-occurrence peut s'avérer non ou peu pertinente. Une autre dénition d'une
règle est nécessaire.
3.9.4
Découverte de règles à partir de données de type état
La découverte de règles à partir de données temporelles a focalisé de nombreuses recherches depuis une dizaine d'années. Cependant, elles ont été axées principalement sur la
découverte de règles à partir de séquences d'événements (voir par exemple, les travaux de
Mannila et al [Mannila et al., 1997]).
Il s'agit dans cette section de décrire les méthodes d'analyse et de découverte de règles à
partir de données ou d'informations ayant une valeur persistante dans le temps ; ainsi rentre
en compte la recherche de règles à partir de séquences d'états. Peu de recherches, à notre
connaissance, ont été eectuées dans ce domaine.
Dans les exemples présentés ci-après, les techniques de découverte de règles impliquent de
dénir explicitement les mesures d'intérêt de ces règles. Elles reposent même complétement
sur la dénition de telles mesures. Nous étudions donc ces exemples suivant les dénitions
des mesures qu'ils utilisent.
83
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Pour des données à intervalles temporels, la notion de support peut correspondre à la
longueur de l'intervalle [Bellazzi et al., 2003]. En général, si la conance accordée à la règle
(
X
) Y ), conf (X =) Y ) = supp(X =) Y )=supp(X ), est supérieure à un certain seuil,
=
alors la règle est considérée comme pertinente et à potentiel informatif. Un problème crucial se pose alors : comment déterminer les patterns fréquents ? Par exemple, dans la gure
A =) B ), combien de
donnée par Höppner (voir gure 3.16), si l'on considère le pattern (
fois se présente t'il ? : trois fois (en ne considérant que les états successifs) ?, cinq fois (en
considérant qu'une sous-séquence {B,A} peut se trouver entre les deux), . . . Et si à présent,
l'on supprime le premier état B, peut-on supposer que le premier A a tout de même une
inuence sur le deuxième B, devenu à présent le premier ? Si oui, quel support considérer ?
Fig.
3.16:
Exemple de patterns avec relations temporelles associées d'après
[Höppner and Klawonn, 2001]
Nous répertorions deux travaux dont les recherches se fondent principalement sur l'adéquation entre la recherche de règles et de mesures d'intérêt pertinentes mais qui dièrent
profondément. En particulier, le premier s'attache à dénir la notion de support d'une règle.
3.9.4.1
Höppner : une approche théorique du problème de découverte de patterns dans des séquences d'intervalles
Dans [Höppner and Klawonn, 2001], Höppner et al décrivent une méthodologie pour
découvrir des règles pertinentes dans des séquences d'intervalles. Ces intervalles sont de longueurs diérentes et les auteurs cherchent des relations entre plusieurs paramètres.
Si un pattern est décrit avec les relations d'Allen, il y a un fort risque d'explosion
combinatoire des patterns possibles si l'on considère toutes les relations entre les états. Pour
faire face à ce genre de conit, Höppner et Klawonn proposent la dénition suivante pour
le support et le calcul de sa fréquence :
We therefore dene the total time in which (one or more) instances of the patterns can be observed in a sliding window of width w as the support of th e
pattern. If we divide the support of a pattern by the length of the state sequence
plus the window width w we obtain the relative frequency p of the pattern : if we
randomly select a window position we can observe the pattern with probability p.
[Höppner and Klawonn, 2001]
Considérons les patterns X, Y et X before Y. Höppner considère la règle dénie de la
manière suivante :
X =) \XbeforeY 00 .
84
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Pour Höppner, une règle lie des patterns avec des relations causales telle que le pattern
de la prémisse A soit un sous-pattern de B.
X est appelé le pattern-prémisse, Y le pattern-conclusion et X before Y le pattern-règle.
Dénition du support par Höppner et al
Höppner et al dénissent le support du pattern-règle par l'intersection des supports des
patterns-prémisse et pattern-conclusion.
Ainsi, le support d'un pattern est le nombre de fenêtres dans lesquelles le pattern est
observé et sa probabilité d'observation, son support divisé par la somme de la longueur de
la séquence et la longueur de la fenêtre (voir gure 3.17)
Fig. 3.17:
Illustration de la dénition du support d'Höppner pour le pattern X
beforeY.
En pointillés, sont représentées plusieurs positions de la fenêtre glissante considérée
de taille 5 unités temporelles.
8,
card
card
( ) = ([3 6 + 5]) = ( ) + (
) = 3+5 =
( )+ (
) = 2 + 5 = 7,
(\
)=
S upp X
( ) = ([7 9 + 5]) =
([7 6 + 5]) = 6 + 5 7 = 4
S upp Y
;
long Y
card
;
long X
long f enetre
long f enetre
S upp
X bef oreY
00
;
Cependant, Höppner et al explicitent le besoin de changer la sémantique de la règle. Les
auteurs partent de l'observation suivante : si une séquence est elle-même le pattern alors sa
conance devrait être de 1, or ce n'est pas nécessairement le cas. Ils expliquent le fait qu'un
pattern puisse avoir une conance faible pour deux raisons :
une grande longueur du pattern par rapport à la longueur de la fenêtre,
un plus grand nombre de prémisses que de patterns (dans l'exemple, plus de A que de
A =) B )).
(
La sémantique devient :
Given a randomly selected sliding window that contains an instance of the premise pattern, then with probability p this window overlaps a sliding window that
contains the rule pattern.
Le support de la règle est non plus le nombre de fenêtres dans lesquelles est observé le pattern mais le nombre de fenêtres contenant la prémisse et chevauchant la fenêtre contenant
le pattern de la règle.
Pour rendre compte du caractère informatif de la règle, les auteurs utilisent la J-mesure,
avec le support divisé par la longueur totale de la séquence comme probabilité. Mais cette
mesure ne permet pas de rendre compte des longueurs des intervalles ni même des délais
85
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
entre deux intervalles. Höppner et Klawonn proposent donc de rajouter une contrainte sur
la prémisse de type (
a<
) avec a attribut supplémentaire et
un seuil à calculer an
de maximiser la J-mesure correspondante. Les auteurs concluent qu'en utilisant leur sémantique, la J-mesure et leur contrainte supplémentaire, on améliore la qualité des règles
extraites. Cependant, ils ont testé leur méthode sur des données simulées ; c'est à dire qu'ils
connaissent ce qu'ils cherchent et ces données simulées sont en nombre très important : la séquence est constituée de 2838 états et est générée à partir de 3 états ! Mais leur méthodologie
reste très prometteuse.
3.9.4.2
Bellazzi : une autre approche de la découverte de patterns dans des
séquences d'intervalles
Dans [Bellazzi et al., 2003], Bellazzi et al cherchent des règles multi-paramètriques à
partir de données sur des intervalles de temps de longueurs diérentes. A partir de données
de patients sous dialyse, ils tentent de découvrir des règles du type :
Si tendance du paramètre1 décroît avant que l'état du paramètre2 ne soit haut alors la dialyse est un échec.
Dénition du support par Bellazzi et al
Bellazzi et al considèrent uniquement les co-occurrences d'états et dénissent le support d'un pattern comme l'intersection des supports de la prémisse et de la conclusion ;
ceux-ci correspondent aux longueurs de chaque état considéré (voir gure 3.18). La mesure de conance standard est utilisée et d'après les auteurs, elle ne semble pas optimale.
En s'inspirant des travaux de Hoppner [Höppner and Klawonn, 2001] et de l'algorithme
PRISM [Witten and Frank, 2000], les auteurs écrivent un algorithme permettant de trouver des règles avec des prémisses comportant plusieurs propriétés correspondant à plusieurs
paramètres.
Fig.
3.18:
Illustration
de
la
Supp(X; Y ) = Supp(X ) \ Supp(Y ).
dénition
du
support
utilisée
par
Bellazzi.
Dans [Bellazzi et al., 2005], les auteurs élargissent leur recherche à des règles comprenant
des états se précédant et non plus uniquement des co-occurrences (voir gure 3.19).
86
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Fig.
3.19:
L'opérateur
precedes
à
partir
des
relations
d'Allen repris de
[Bellazzi et al., 2005]
Le support de la règle est alors proportionnel à l'union des intervalles correspondant à la
prémisse et à la conclusion. Cependant, les résultats sont mitigés et la proportion de règles
incohérentes est élevée.
3.9.5
Des mesures spéciques aux règles d'association ?
3.9.5.1
Principes à satisfaire pour une mesure d'intérêt
Des recherches sont eectuées an de déterminer des principes ou conditions qu'une
bonne mesure d'intérêt doit satisfaire. Ceci dit, ils n'expliquent pas vraiment comment
sont obtenus ces principes ; d'ailleurs dans les deux exemples cités dans la suite, on remarque que les principes énumérés ont le même objectif mais sont de nature complètement
diérentes.
En général, cinq mesures sont utilisées pour exprimer l'utilité des règles découvertes.
Les mesures des règles d'association comme X
) Y
=
sont (P correspond à une mesure
de probabilité) :
supp(X =) Y ) = P (X; Y )
conf (X =) Y ) = P (X; Y )=P (X )
intérêt : intr (X =) Y ) = P (X; Y )=(P (X )P (Y ))
conviction : conv (X =) Y ) = P (X )P (:Y )=P (X; :Y )
abilité : fia(X =) Y ) = P (X; Y )=P (X )
P (Y )
support :
conance :
Cependant, l'association (support, conance) est la plus communément utilisée. Elle ne
donne aucune indication sur la relation de dépendance entre X et Y. En particulier, elle ne
tient pas compte de la probabilité a priori de Y, c'est à dire du nombre d'occurences de
Y ; qu'il soit faible ou pas, le support et la conance sont identiques. Pour cela, d'autres
mesures ont été introduites.
La mesure d'intérêt a été introduite pour y remédier ; c'est une mesure symétrique. Elle est
la même pour les relations
X =) Y
et
Y
) X.
=
La mesure de conviction tient compte du fait que les relations
X =) Y
et
équivalentes et est donc la même pour les deux.
La mesure de abilité reète l'importance de Y par rapport à la relation
:Y =) :X sont
X
)Y
=
et n'a
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
87
pas les propriétés des deux précédentes : elle n'est pas symétrique et ne renvoie pas la même
valeur pour les deux relations équivalentes logiquement.
Des études commencent à voir le jour depuis quelques années an de trouver des mesures
ou des associations de mesures plus pertinentes pour relever le degré informatif d'une règle.
3.9.5.2
Des principes spéciques aux mesures des règles d'association
Dans [Shi et al., 2002], Shi et al proposent cinq principes pour qu'une mesure reète
l'intérêt d'une règle : principes d'implication, de corrélation, de nouveauté, d'utilité et des
N premières règles
32 .
Chaque principe permet de circonvenir les inconvénients mis en avant par l'association
(support, conance). Ainsi, an de rendre compte de l'utilité d'une règle, la mesure doit être
croissante en fonction de P(X,Y). Cependant, il semble qu'aucune mesure prise séparément
ne soit capable de mettre en relief la pertinence d'une règle comme on peut le voir sur le
tableau 3.20 tiré de l'article [Shi et al., 2002].
Fig. 3.20:
Les propriétés des mesures d'intérêt selon [Shi et al., 2002]. Les colonnes
représentent les cinq mesures et les lignes les quatre principes proposés. Par exemple, on peut lire
que le principe d'imlication est respecté par les mesures de conance, de conviction et de abilité.
Les quatre principes sont respectés par l'association (support, conance, intérêt).
D'après les auteurs, il y a trois alternatives pour mesurer l'intérêt d'une règle : support-conance-intérêt, support-conviction-intérêt, support-abilité-intérêt ; mais la première
semble être la plus adaptée, les deux autres étant pertinentes seulement lorsque les règles
sont corrélées positivement.
32
)Y
)X
)Y
)Y
Principle 1 (implication principle) : If a set of measures is dened to reect the interestingness of an
association rule X =
)Y
mi (X =
) > m i (Y =
, then at least one measure mi (X =
) when P (X ) < P (Y ).
) in the set should satisfy the constraint
Principle 2 (correlation principle) : If a set of measures is dened to reect the interestingness of an
association rule X =
, then at least one measure mi in the set should be directly proportional to the
covariance of X and Y.
Principle 3 (novelty principle) : If a set of measures is dened to reect the interestingness of an association
rule, then for a given P(X,Y) , at least one measure mi in the set should reect its novelty. The novelty
measure mi should be inversely proportional to p = max(P (X ); P (Y )).
Principle 4 (utility principle) : If a set of measures is dened to reect the interestingness of an association
rule, then at least one measure mi in the set should reect its utility, i.e., mi is a monotone increasing
function with respect to P(X,Y).
88
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
3.9.5.3
D'autres mesures proposées tenant compte des caractéristiques des relations
An d'aner ces critères, Kodrato propose d'autres mesures [Kodrato, 2000].
X =) Y ) et (:Y =) :X ) sont similaires et les relations des) Y ) et (X =) :Y ) sont opposées. Cet état de fait a poussé Kodrato à
Les relations causales (
criptives (
X
=
introduire les mesures de conance suivantes
:
conf (X =) Y ) = P (Y=X ) P (:Y=X ) pour une relation descriptive,
conf (X =) Y ) = 1=2(P (Y=X ) + P (:X=:Y )) P (:Y=X ) pour une relation causale.
Il est à noter qu'un délai temporel éventuel entre les attributs n'est pas pris en compte.
Mais ces mesures basées sur des calculs probabilistes et donc fréquentiels posent le problème
suivant : les patterns les plus fréquents ne sont pas forcément les plus intéressants. De plus,
ces mesures nécessitent une grande quantité de données ce qui n'est pas toujours possible.
Cependant, la fréquence et la conance semblent être des mesures non-exhaustives ; elles
ne mesurent en aucune manière le degré d'intérêt de ces règles et nous revenons alors au
problème énoncé plus haut.
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
89
Nous avons présenté dans ce chapitre deux étapes de l'extraction de connaisances : l'abstraction des données et la fouille de données.
Dans un premier temps, nous avons mis en avant les principes que doit satisfaire une méthodologie d'abstraction. Le principal est qu'elle doit reposer sur
un processus de fusion (nous en avons proté pour dénir plusieurs types de
fusion), mais un procédé de fusion utilisant plusieurs niveaux d'interprétation
et où l'information circule. Selon nous, la fusion d'informations et de connaissances permet de prendre en compte le contexte (fait capital dans un processus
d'abstraction), de rendre able et de contrôler l'abstraction. Nous avons répertorié quelques méthodes d'abstraction de données suivant leur utilisation des
données, informations et connaissances an de pouvoir les comparer du point
de vue de la fusion. Cet état des lieux nous a permis de mettre en exergue
quelques points clés :
(1) Il n'existe pas à proprement parler de méthodologie dénie clairement.
(2) Les systèmes sont fermés : les abstractions obtenues le sont de façon
dénitive.
(3) Il n'y a pas de communication entre les diérentes étapes d'abstraction.
(4) Le comportement du patient exprimé en terme de relations entre états
des paramètres est décrit uniquement grâce à la connaissance experte.
Ces remarques nous ont poussés à construire une méthodologie d'abstraction
dans un contexte plus général, qui est l'extraction de connaissances. L'extraction de connaissances permettrait dans un premier temps, d'extraire des scénarios à partir des données et dans un second, de raner les abstractions. Cette
méthodologie repose sur plusieurs principes qui sont : un processus basé sur la
fusion, une action incrémentale.
Dans un second temps, nous avons présenté l'étape de fouille de données
temporelles. Nous avons introduit la technique qui nous semble appropriée dans
notre contexte (qui est la découverte de scénarios à partir des données et des
connaissances) ; il s'agit de la découverte de règles d'association à partir de données de type état (soit les abstractions). La découverte repose sur les notions
de support et les mesures d'intérêt. Nous avons présenté plusieurs mesures d'intérêt suivant les dénitions du support d'une règle considérée. Il en ressort la
diculté de trouver une mesure pertinente pour quantier une règle.
90
Chapitre 3 : ABSTRACTION DES DONNÉES ET DÉCOUVERTE DE SCÉNARIOS
Chapitre 4
LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS
LA DÉCOUVERTE DE SCÉNARIOS
Comment intégrer ces concepts dans un processus de fusion ?
Dans ce chapitre, nous situons précisément l'étape d'abstraction dans le processus global d'extraction de connaissances. Nous clarions les concepts des
données, des informations et des connaissances dans le domaine général de surveillance de systèmes dynamiques. Cette clarication nous permet de décrire
notre méthode d'abstraction en nous appuyant sur la fusion des informations
et connaissance. La description de la méthode reste dans la mesure du possible
générique et sera instanciée dans le chapitre Résultats. Il s'agit principalement
dans ce chapitre de décrire les éléments nourrissiers de l'abstraction décrite en
terme de fusion. Ensuite, nous présentons la technique de découverte de règles
d'association que nous avons adoptée.
92
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
4.1 Données, information et connaissance dans l'ECD
4.1.1
L'importance de la transformation des données dans le processus
d'extraction de connaissances
D'après Fayyad [Fayyad et al., 1996], le processus d'extraction de connaissances via la
fouille de données comprend cinq étapes (voir gure 4.21) : sélection, pré-traitement, transformation, fouille de données et interprétation. Ces étapes sont nécessaires pour extraire de
la connaissance utile à partir des données. L'étape de sélection permet de se focaliser suivant
des critères pré-dénis, sur des données supposées à la fois interprétables et à potentiel
informatif. Le pré-traitement concerne le traitement des données bruitées et manquantes.
L'étape de transformation sert à dénir des représentations et/ou des abstractions des données adaptées à la tâche d'extraction de connaissances. L'étape de fouille de données permet
de trouver des régularités (patterns) et l'étape d'interprétation d'en sélectionner les plus pertinentes et extraire de la connaissance. Le processus global est incrémental. Selon Fayyad, il
peut contenir des boucles entre deux étapes et en particulier, l'étape d'interprétation peut
guider toutes les autres étapes.
Fig.
4.21:
Processus
d'extraction
de
connaissances
d'après
Fayyad
[Fayyad et al., 1996]
Les trois premières étapes jusqu'à la transformation des données sont primordiales pour
détecter de la connaissance utile.
Most previous work on KDD has focused on the data mining step. However the
other steps are as important (and probably more so) for the successful application
of KDD in practice.
Dans [Cios et al., 2000], Cios et al vont même jusqu'à dire qu'elles sont l'étape clé du processus d'extraction de connaissances :
Preparation of the data is the key step on which the success of the entire knowledge discovery process depends. It usually takes at least half of the entire project
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
93
eort. In this step, we decide which data will be used as input for data mining
methods.
Dans cet article, les auteurs détaillent le processus d'extraction de connaissance via la fouille
de données de façon similaire à Fayyad. Le terme de preparation est semblable au terme de
transformation donné par Fayyad. Elle procure les données/informations qui vont nourrir
l'étape de data mining. Ce processus est ensuite appliqué au problème du diagnostic des
perfusions du myocarde.
Ainsi
l'étape de transformation des données est capitale. Un processus d'ex-
traction de connaissance ne peut pas être satisfaisant s'il ne tient pas compte de données
préalablement étudiées, modiées de façon à être pertinentes. Nous verrons par la suite notre
méthode de transformation de données. Mais auparavant, nous allons dénir les concepts
utilisés de façon précise.
4.1.2
Données/informations/connaissances : de quoi parle-t'on ?
Dans ce processus, nous accordons un rôle central à la notion d'information que nous
allons dénir ainsi que les notions de données et de connaissances. Ces notions sont relativement confuses dans la littérature.
4.1.2.1
Dénitions usuelles
Par exemple, considérons les dénitions du petit Larousse 1999 :
Donnée : 1) élément fondamental servant de base à un raisonnement, à une
recherche. 2) représentation conventionnelle d'une information sous une
forme convenant à son traitement par ordinateur. 3) résultats d'observations ou d'expérience.
Information : élément de connaissance susceptible d'être codé pour être conservé,
traité ou communiqué.
Connaissance : faculté de connaître, de se représenter ; manière de comprendre,
de percevoir. Ce que l'on a acquis par l'étude ou la pratique.
Si la dénition d'une donnée est claire (voir 3), il n'en est pas de même pour celles de
l'information et de la connaissance. Une information ne peut-elle s'acquérir par l'étude ou
la pratique ? Une connaissance ne peut-elle se coder, se conserver ?
4.1.2.2
Quelques dénitions en intelligence articielle peu satisfaisantes
En intelligence articielle, dans [Charlet, 2001], Charlet traite d'ingénierie des connaissances et caractérise la connaissance de deux points de vue : systémique et épistémologique.
Du point de vue systémique, il considère qu'il n'y a pas de frontière données/information/processus/connaissance. Pour lui, un processus fait appel à des concepts, qui selon leur
niveau d'entrée sont appelés données/information/ connaissance. Il propose plusieurs caractérisations de la connaissance dont :
Il y a connaissance quand il y a contexte d'utilisation de l'information. Cela veut
dire qu'une information n'a pas de valeur isolément mais en fonction du contexte
dans lequel elle est élaborée et interprétée. p238
94
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Du point de vue épistémologique, Charlet considère la connaissance comme caractérisée par
l' interprétation du comportement de la machine par les utilisateurs. Si la manipulation de
concepts symboliques par des algorithmes est compréhensible et a un sens pour les utilisateurs, on a aaire à de la connaissance et à de la représentation de connaissance. Charlet en
vient à dire que la connaissance n'est pas objective, étant liée à un contexte, à une tâche,
une action,. . .
Peut-on dire, pour rejoindre les deux points de vue, que le contexte d'utilisation dans le point
de vue systémique est représenté par les utilisateurs dans le point de vue épistémologiste
et donc caractériser la connaissance par de l'information interprétable dans un contexte ou
domaine spécique par des utilisateurs du domaine ?
Pour Dubois et al [Dubois and Prade, 2001], l'information est un concept assez vague
qui permet de désigner autant les données que les connaissances :
Le mot information est utilisé de manière générique ; il peut recouvrir aussi
bien des connaissances qui par nature s'appliquent à des classes d'objets, que des
données qui se rapportent à des cas, des faits, des objets particuliers.
On voit que pour ces deux auteurs, la diérentiation entre information et connaissance reste
assez vague et dicilement applicable à un domaine particulier. Les deux termes information
et connaissance sont liés sans que leur diérence ne soit explicitement décrite.
Ainsi, nous préférons les redénir en nous basant sur les dénitions données par Kayser
et Pitrat ([Kayser, 1997],[Pitrat, 1990]).
4.1.2.3
Des dénitions plus claires
Kayser réfute la diérentiation de l'information et de la connaissance de Jacques Arsac
(qui rejoint les dénitions usuelles telles que celles données par le petit Larousse) selon
lequel :
L'information s'inscrit sur un support matériel et peut faire l'objet d'un traitement formel et la connaissance se place au niveau du sens et ne serait accessible
qu'à l'esprit humain.
Pour Kayser, ces dénitions ne sont pas satisfaisantes dans la mesure où elles excluent le
fait que la représentation de connaissances puisse être incluse en informatique, qui, selon
lui, est le traitement des informations (p5). Il dénit les connaissances comme guide des
inférences (p9) (inférence : ensemble des mécanismes par lesquels des entrées (perceptives
ou non) sont combinées à des connaissances préalables an d'obtenir des comportements
élaborés p6). Il dénit les informations et les connaissances suivant leur rôle passif ou actif
dans un processus.
Tandis que les informations sont exploitées par des processus sans pouvoir modier leur déroulement, les connaissances sont des données qui inuencent le
déroulement du processus (p30).
Dans [Pitrat, 1990], l'auteur dénit les connaissances comme :
les faits qui ne servent pas à décrire la situation et qui n'ont pas été établis par le
système pour donner des propriétés de cette situation ; les connaissances servent
à élaborer des faits nouveaux ou à déterminer les actions qu'il faut entreprendre
( p23).
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
95
Il va même jusqu'à considérer un niveau supérieur. Il dénit aussi les méta-connaissances qui
sont les connaissances sur les connaissances ; elles peuvent être des propriétés des connaissances (le théorème de Pythagore est très utile), des connaissances sur un individu ( M.
truc ne connaît pas le théorème de Pythagore), des connaissances qui servent à manipuler des connaissances (comment se démontre le théorème de Pythagore). . . Selon Pitrat,
pour construire un système d'intelligence articielle performant, il vaudrait mieux lui donner des méta-connaissances an qu'il puisse lui-même trouver et gérer les connaissances que
seulement lui fournir à chaque fois les connaissances du domaine (p47).
4.1.2.4
Les dénitions choisies
Nous nous baserons à l'avenir sur les dénitions suivantes :
les données sont le résultat d'observations d'une expérience ;
les informations sont le résultat de l'interprétation de ces données ;
les connaissances dénissent la manière dont les données et les informations vont être manipulées. Comme Kayser, nous faisons la diérence entre information et connaissance
suivant leur rôle passif ou actif dans le processus et reprenons la déntion donnée des
connaissances comme des guides des inférences. Nous nous appuyons aussi sur la description de Pitrat selon lequel la connaissance permet de construire de nouveaux faits
ou de déterminer de nouvelles actions à entreprendre et n'a pas simplement un rôle
descriptif. Il est remarquable de noter le besoin d'une représentation des connaissances
qui soit pertinente. Nous insistons sur la nécessité de connaissances pour interpréter
des données et donc créer de l'information qui elle-même dépend du contexte dans
lequel elle est interprétée.
4.1.3
L'extraction de connaissances : un processus incrémental ?
Nous proposons (voir gure 4.22) une version modiée du processus qui met l'accent
sur 1) la notion d'information, 2) le rôle des connaissances dans le processus et son aspect
incrémental. L'étape d'abstraction se divise en trois étapes : sélection, description et interprétation qui correspondent aux trois premières de Fayyad. Chaque information produite
permet donc de contrôler l'interprétation de la manière suivante.
Ce processus est complexe ; la connaissance est nécessaire pour transformer des données
en informations et ce, dès les étapes précoces de pré-traitement. De plus, à chaque étape, l'information produite ou la connaissance utilisée peuvent permettre de produire de nouvelles
informations et/ou de la connaissance ; les informations et/ou connaissances du système ne
sont pas gées. Nous considérons que tout le processus est dynamique, incrémental et repose
sur de la fusion.
L'étape d'abstraction des données que nous allons décrire par la suite, permet de transformer des données en informations puisqu'elle permet de les résumer et de les interpréter.
Ainsi, les données abstraites ou transformées sont appelées informations. Nous allons voir
que chaque information produite va permettre l'obtention d'une nouvelle information de
plus haut niveau, et ainsi de suite . . . La décision d'arrêter le procédé peut être gérée par
la connaissance que nous avons du domaine et/ou la connaissance que nous voulons en extraire ; c'est à dire que ces connaissances vont contrôler ce système. C'est de cette manière
96
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Fig. 4.22:
Processus d'extraction de connaissances mettant en exergue l'étape
d'abstraction
que nous envisageons tout le processus.
4.1.4
Description des éléments
An de clarier l'approche proposée, il nous paraît nécessaire de décrire avec soin les
concepts manipulés.
Nous discernons trois concepts : les données, les informations et les connaissances.
4.1.4.1
Les données
Les données sont les valeurs observées des paramètres du système. Nous ne détaillons
pas ce concept car nous pourrions développer une nouvelle ontologie.
4.1.4.2
Les informations
Les informations (voir gure 4.23) se divisent en informations fournies au système et
informations que le système va permettre d'extraire. Pour la surveillance de systèmes, les
informations sont essentiellement représentées par des objets temporels comme les états ou
les événements [Dojat et al., 1998] :
Un événement est classiquement déni comme un changement instantané du système.
Dans notre contexte médical, nous appelons événement tout changement ou intervention sur le système ou son environnement. Nous distinguons trois sortes d'événements :
les événements internes comme les changements des valeurs des paramètres,
les événements externes sont le fruit d'interventions extérieures comme les soins
donnés au patient,
les alarmes des machines de surveillance correspondant à des dépassements de seuil.
Des liens causaux existent entre les événements.
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
97
Un état implique une notion de persistance. Il représente une période de temps durant
laquelle une information est valide (la fréquence cardiaque est stable pendant cinq
minutes par exemple). Les états sont générés par le processus d'abstraction. Les états
et les événements sont liés temporellement.
Les patterns locaux représentent des régularités extraites des données et/ou des informations. La reconnaissance de patterns locaux peut être utilisée pour la détection
d'événements internes spéciques.
Les scénarios sont une représentation des liens temporels entre les états et les événements.
Ils associent des graphes et des contraintes temporelles [Dojat et al., 1998].
Fig. 4.23:
4.1.4.3
Les informations
Les connaissances
Comme les informations, la connaissance peut être fournie ou extraite. La connaissance
a priori est essentiellement de la connaissance experte fournie sous forme de règles de classication ou de relations causales entre les paramètres et dépendant du contexte (voir gure
4.24). Il s'agit de connaissances a priori sur le domaine, la physiologie, . . .
La découverte de patterns spéciques de séquences permet la dénition de scénarios représentatifs de situations à reconnaître. Une fois qu'ils sont validés par les experts médicaux
comme représentatifs de situations normales ou anormales, les patterns extraits ou les régularités exprimés sous la forme de règles d'association constituent de nouveaux éléments de
connaissance qui peuvent guider les actions à entreprendre.
Rappel
Dans le cas de la surveillance de patients, on considère des connaissances spéci-
ques (voir section 3.2.3) :
La connaissance structurelle concerne les propriétés des paramètres comme les
unités, . . .
98
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
La connaissance sur la classication permet de transformer les valeurs numériques
des données en valeurs symboliques par exemple.
La connaissance sur la sémantique temporelle permet de concaténer deux intervalles successifs par exemple.
La connaissance sur la dynamique temporelle détermine la persistance d'une
valeur d'un paramètre, par exemple.
Fig. 4.24:
La connaissance
4.2 La méthode proposée d'abstraction de données
Comme nous l'avons vu au chapitre 3, la fusion de la connaissance et des informations est
cruciale dans notre approche. Nous partons du principe que seule une méthode à partir de
fusion peut combler les problèmes d'incomplétude, d'incertitude, d'imprécision du domaine.
Par fusion, on entend l'intégration de connaissances et d'informations dans le mécanisme.
L'intégration de connaissances dépend du mode de leur représentation : sous forme de règles,
elles permettent de guider l'inférence.
Du fait que les données en USIs sont fortement entachées d'erreurs [Ely, 1996], l'abstraction des données est eectuée seulement sur les
domaines de validité d'abstraction .
An de garantir au mieux la robustesse du processus, nous avons choisi d'y intégrer des
informations déjà extraites par les collaborateurs du projet OSSCAR.
Le processus est incrémental : plus le processus est avancé, plus il y a de l'information
extraite qui peut permettre à son tour de le guider.
La gure 4.25 résume l'idée selon laquelle l'abstraction est un processus évoluant dans
un espace à trois dimensions ; celles-ci étant la connaissance, les données et informations
33 ,
et le temps. Elles peuvent être explorées an d'apporter de nouvelles informations ; chacune
33
puisque les informations sont des données interprétées, elles peuvent être représentées sur le même axe.
Cet axe peut être aussi qualié d'axe d'interprétation.
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
99
étant le résultat de ce processus. L'abstraction de données est modélisée comme un processus
incrémental liant les données brutes, les informations (c'est à dire les données abstraites) et
la connaissance.
Fig. 4.25:
f
Ai ti ; di ; ci
Le processus d'abstraction vu comme un processus de fusion. Le point
g correspond à l'abstraction temporelle
d'interprétation
et à une connaissance
di
Ai
liant une information temporelle
ti ,
à un niveau
ci .
Notre méthode repose sur l'introduction d'informations déjà extraites. Ces informations
sont capitales. Notre méthode d'abstraction de données divise chaque étape du processus
incrémental en quatre sous-étapes, ce qui permet d'aner petit à petit les domaines de
validité d'abstraction. Plusieurs étapes sont successivement décrites, lesquelles impliquent
la considération de diérents éléments de connaissance et d'informations, comme les tendances, les connaissances physiologiques, cliniques et causales. Nous décrirons les diérents
mécanismes de fusion impliqués dans le processus pour chaque étape. A chaque étape, l'information est sauvegardée et accessible ; ceci permet une visualisation des résultats au fur
et à mesure.
Nous présentons à présent les diérentes sous-étapes présentes pour chaque étape du
processus d'abstraction. Supposons que l'étape d'abstraction consiste à transformer le point
A
i
1
ft 1; d 1; c 1g en le point A ft ; d ; c g dans l'espace de fusion. Les deux premières
i
i
i
i
i
i
i
sous-étapes de l'abstraction consistent en la description du point
A
i
1 , de la fonction de
transformation et la description des informations et connaissances impliquées dans cette
transformation (soit les coordonnées du point
A ). Ensuite, les deux dernières sous-étapes
i
consistent en la description des moyens de validation an de garantir la robustesse du procédé.
Sous-étape 1 : description des éléments à abstraire
Elle est dédiée à la description des éléments pour lesquels l'abstraction va être opérée
et des méthodes employées (calcul de la moyenne, réunion des intervalles temporels,
. . .).
100
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Sous-étape 2 : description des éléments impliqués dans la fusion
Elle correspond à l'identication de la connaissance a priori et /ou de l'information
extraite nécessaires au processus de fusion pour guider l'abstraction. Elle dénit quel
type de fusion est employé.
Sous-étape 3 : dénition du domaine de validité
Elle permet de dénir le domaine où l'abstraction est valide (domaine de validité de
l'abstraction), en termes de contraintes opérant sur les données brutes, les données
abstraites et la connaissance.
Sous-étape 4 : validation
Elle correspond au contrôle étape par étape par le clinicien du processus d'abstraction
via une
interface graphique. Elle permet aussi une interaction avec les experts
puisqu'ils peuvent tester de nouveaux seuils pour la construction des abstractions.
L'interface leur permet aussi de pouvoir
zoomer éventuellement sur des parties qu'ils
estiment intéressantes. Il est à noter que l'introduction de nouvelles informations peut
aussi contribuer à l'explicitation de l'expertise.
4.2.1
Deux types d'abstraction temporelle de données
Nous distinguons les abstractions temporelles simples des abstractions temporelles complexes [Larizza et al., 1995] (voir section 3.1.2) :
L'abstraction simple construit un descripteur symbolique sur un intervalle de temps qui
caractérise un état (comme stable ou instable), ou une tendance (comme augmenté ou
constant). Elle est construite directement à partir des données brutes.
L'abstraction complexe essaie d'établir des relations temporelles entre les intervalles
construits à partir des abstractions simples ou complexes [Larizza et al., 1995]. De
telles relations sont aussi appelées patterns locaux ; ces derniers peuvent être utilisés
pour caractériser des événements typiques comme une déconnexion d'un capteur par
exemple.
4.2.2
Les abstractions simples pour la construction d'états
L'objectif du processus d'abstraction simple est de détecter des états de paramètre
comme par exemple Fréquence cardiaque stable pendant 30 minutes dans le but d'être
le plus proche possible des discours médicaux. Comme nous l'avons déjà précisé, le changement de granularité ne doit pas être conduit sans un minimum de précautions. En particulier,
le processus doit être robuste et s'appuyer sur des valeurs ables des paramètres à abstraire.
Dans cet objectif, nous avons restreint le domaine de validité du processus d'abstraction au
domaine où le paramètre est considéré comme valide. Les domaines de validité sont basés
sur la notion de stabilité : si un paramètre est classé comme instable, nous considérons ses
valeurs numériques comme invalides. Plusieurs étapes sont nécessaires pour déterminer le
domaine de validité.
4.2.2.1
Détermination de plusieurs domaines de validité
Cette étape permet de présenter plusieurs choix de domaines de validité sur lesquels le
processus d'abstraction pourra avoir lieu. Le choix de la méthode de détermination se fait
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
101
à l'étape suivante lorsque les premiers calculs véritables d'abstraction seront eectués. Ces
domaines seront ensuite anés dans les étapes suivantes.
Cette étape est primordiale dans notre processus puisqu'elle repose sur l'introduction
d'informations. Ce sont des informations déjà extraites (nous utilisons les tendances symboliques de [Calvelo et al., 2000]) ; elles permettent de créer de nouvelles informations (les
valeurs labellisées). En outre, an d'optimiser cette intégration, nous utilisons de la connaissance (puisque nous aurons à faire un choix sur le seuil à partir duquel nous considérons une
mesure comme stable). Par conséquent, la granularité temporelle évolue et la labellisation
est considérée comme valable sur l'intervalle de temps correspondant à la période d'échantillonnage (il s'agit de l'étape d'interpolation temporelle ). Ainsi, si l'on reprend le principe
de la gure 4.25, l'étape de labellisation transforme les données brutes en abstractions, ayant
un niveau d'interprétation supérieur et correspondant à un certain niveau de connaissance
(celle utilisée pour sa construction) (voir gure 4.26).
Cette transformation repose sur des opérations de fusion temporelle et de fusion sémantique. Les diérents niveaux d'interprétation combinés sont répertoriés dans le tableau
4.3. Ce sont les tendances symboliques, les échelles caractéristiques et les connaissances de
classication.
Fig. 4.26:
Le point
Représentation de l'étape 1 de l'abstraction dans l'espace de fusion.
f
A0 t0 ; d0
g (représentant les données brutes et donc il n'y pas de connaissance associée, en
1 f 1 1 1 g ; la coordonnée 1 correspond à un niveau d'in-
général) est transformé en le point
terprétation supérieur à
d0 .
A
t ;d ;c
La coordonnée
t1
d
correspond à l'intervalle temporel correspondant à la
période d'échantillonnage.
La construction des domaines de validité consiste d'abord en la détermination des tendances de chaque point de mesure
34 (puisque la fenêtre temporelle sur laquelle la tendance
est donnée, est glissante) ; puis en la caractérisation des domaines de validité (voir tableau
4.3). Plusieurs caractérisations sont possibles et seront détaillées dans le chapitre 5.
34
Dans un souci de simplication, nous eectuons un abus de langage en parlant de tendance d'un point.
Comme nous l'avons vu, il s'agit de la tendance attribuée à la période d'échantillonnage correspondant à
chaque point.
102
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Description des
Description des élé-
Dénition
éléments à abs-
ments
maine de validité
traire
dans la fusion
Éléments :
données
brutes.
impliqués
Types de fusion :
Fusion temporelle.
Fusion sémantique.
Informations :
Description :
données brutes.
Opération :
comptage du nombre
de fenêtres glissantes
pour lesquelles la
stabilité est estimée
pour chaque mesure ;
détermination de
domaines de validité.
Tendances et échelles
caractéristiques associées.
Seuil de
stabilité/instabilité d'un
point de mesure ou un
ensemble de points.
Connaissance de
classication : une valeur
mesurée (ou un ensemble de
points) est considérée
comme stable si elle est
qualiée plus souvent
comme stable qu'instable.
Tab. 4.3:
du
do-
Plusieurs dénitions du
domaine de validité sont
possibles suivant que l'on
considère que ces domaines
sont de taille xe (ici, on
considère que l'ensemble
des points doit être plus
souvent stable qu'instable)
ou de taille variable (ici, on
considère la tendance de
chaque point).
Validation
La validation par
les experts grâce
à une interface
graphique se fera
lors de l'étape
suivante. A
chaque choix de
dénition du
domaine de
validité, le calcul
des abstractions
sera eectué et
plus facilement
lisible.
Formalisation de l'étape 1 de l'abstraction
Nous représentons sur la gure 4.27 un exemple de caractérisation de domaines de validité. Par souci de simplication, nous n'avons symbolisé que le cas où la détermination
des domaines de validité repose sur la labellisation de chaque point de mesure en termes
de augmenté/diminué/presque constant/instable. Les domaines de validité correspondant
sont donc les successions de points ayant le même label de stabilité, c'est à dire soit augmenté, soit diminué, soit presque constant.
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Fig. 4.27:
103
Première étape du processus d'abstraction. Les données brutes, qui sont des
valeurs numériques sont transformées en des points labellisés. Ces derniers sont des données numériques ayant une information symbolique, le label. Les labels représentés sont a pour augmenté,
i pour instable et c pour constant. Les points successifs ayant le même label caractérisent les
domaines de validité.
Nous verrons dans la section 5.3.1.1 les diérentes techniques de labellisation dans notre
contexte.
4.2.2.2
L'interpolation temporelle : caractérisation des intervalles de stabilité
Le but de cette étape est la caractérisation des intervalles de stabilité. Celle-ci est contrôlée grâce aux tendances par le biais de la labellisation des points.
Le processus de fusion repose sur des opérations de fusion temporelle et de fusion sémantique. Cette dernière implique des informations obtenues par l'étape précédente, et des
connaissances sur la dynamique temporelle (voir gure 4.28).
104
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Fig. 4.28:
point
f
Représentation de l'étape 2 de l'abstraction dans l'espace de fusion. Le
A1 t0 ; d1 ; c1
le point
f
g (représentant les données abstraites lors de la première étape) est transformé en
g ; la coordonnée 2 correspond à un niveau d'interprétation supérieur à 1 . Le
A2 t2 ; d2 ; c2
d
d
nouveau point ou abstraction a une nouvelle dimension temporelle puisque
A2
est un segment déni
par un intervalle temporel et une valeur numérique.
Cette étape est résumée dans le tableau suivant (voir tableau 4.4).
Description des
Description des élé-
Dénition
éléments à abs-
ments
maine de validité
traire
dans la fusion
Éléments :
données
impliqués
Types de fusion :
brutes.
Fusion temporelle.
Fusion sémantique.
Description :
Informations extraites :
données brutes.
labels des points et
diérentes dénitions des
domaines de validité.
calculs
de la moyenne et de
l'écart-type
Opération :
du
do-
Le domaine de validité est
une succession de points
ayant le même label de
stabilité, comme
augmenté, diminué ou
presque constant.
Validation
Les résultats
obtenus sont
montrés et
validés par les
cliniciens.
Connaissance sur la
dynamique temporelle :
l'abstraction est valide
lorsque le paramètre reste
stable pendant une période
temps.
Tab. 4.4:
Formalisation de l'étape 2 de l'abstraction
Le résultat est le calcul d'intervalles temporels appelés segments où la moyenne est calculée pour chaque paramètre considéré (voir gure 4.29).
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
105
Deuxième étape du processus d'abstraction : caractérisation des intervalles. Les valeurs labellisées sont transformées en des segments (à condition d'être dans le domaine
Fig. 4.29:
de validité) liant un intervalle temporel à la moyenne et l'écart-type des mesures correspondant à
l'intervalle.
4.2.2.3
Agrégation des segments
Cette étape consiste en l'élaboration d'une abstraction temporelle par agrégation des
segments précédents. Elle est contrôlée par la connaissance struturelle, la connaissance sur
la classication, la sémantique et la dynamique temporelles du paramètre.
Le processus de fusion repose sur l'intégration des informations obtenues précédemment, et de la connaissance experte (voir gure 4.30) sous forme d'heuristique concernant
les proprietés des intervalles temporels, les variations des valeurs numériques des abstractions précédentes et les variations des données brutes. Un opérateur de fusion temporelle
transforme les diérents intervalles en un seul. La fusion sémantique implique les diérents
niveaux d'interprétation (connaissance sur les variations des données brutes, échelles caractéristiques,. . . voir tableau 4.5). L'abstraction obtenue est ainsi un ranement de l'abstraction
précédente, et dans ce sens, elle est à un niveau d'interprétation supérieur.
106
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Fig. 4.30:
point
f
Représentation de l'étape 3 de l'abstraction dans l'espace de fusion. Le
A2 t2 ; d2 ; c2
le point
f
g (représentant les données abstraites lors de la deuxième étape) est transformé en
g ; la coordonnée 3 correspond à un niveau d'interprétation supérieur à 2 . Le
A3 t3 ; d3 ; c3
d
nouveau point ou abstraction a une nouvelle dimension temporelle puisque
par agrégation des intervalles temporels le constituant.
Nous présentons les diérentes sous-étapes dans le tableau 4.5.
d
A3
est un segment déni
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Description
Description des éléments impli-
Dénition du
des éléments à
qués dans la fusion
domaine
abstraire
Types de fusion :
segments (segments
temporels où la
moyenne et
l'écart-type ont été
préalablement
calculés).
Description :
valeurs moyennes,
écart-types,
longueurs des
segments et des
intervalles
temporels entre les
segments.
concaténation et
moyenne.
Validation
de
validité
Éléments :
Opération :
107
Fusion temporelle.
Fusion sémantique.
échelles caractéristiques
des paramètres, seuils de précision des
paramètres.
Connaissances : deux sortes
Informations :
Le domaine de
validité
correspond aux
segments agrégés.
d'heuristiques sont utilisées :
Des connaissances de classication, sur
la sémantique et la dynamique
temporelles du paramètre permettent
la vérication de la longueur des
segments, des intervalles entre les
segments, de la diérence entre les
moyennes de deux segments consécutifs
en considérant les écart-types
correspondant.
Des connaissances structurelle et sur la
sémantique temporelles contrôlent la
variation du paramètre par rapport au
seuil de précision (de la mesure des
valeurs du paramètre). Elle peut être
soit au-dessous du seuil ou au-dessus
mais à condition que ce soit pour une
période courte (pouvant correspondre
ainsi à un artefact).
Tab. 4.5:
Les résultats
obtenus sont
montrés et
validés par les
cliniciens. Les
seuils de
précision xés
par les
cliniciens
peuvent être
modiés sur
l'interface et
les nouveaux
résultats
directement
visibles.
Formalisation de l'étape 3 de l'abstraction
Cette étape consiste en un ranement des intervalles temporels (c'est à dire un ranement des segments et un ajustement des moyennes des valeurs) (voir gure 4.31).
108
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Fig. 4.31:
Troisième étape du processus d'abstraction : agrégation des segments.
Les segments obtenus précédemment sont anés. Sous certaines conditions, ils peuvent être agrégés
en un segment plus long, liant les intervalles temporels des segments précédents et la moyenne et
l'écart-type de tous les points correspondant au nouvel intervalle.
4.2.2.4
Abstraction qualitative : transformation symbolique des segments
L'objectif de cette étape est de transformer les valeurs quantitatives des segments en
des valeurs qualitatives comme normal, instable, normal mais haut, anormal et haut,
normal mais bas et anormal et bas. Toutes ces informations sont liées à des intervalles
temporels (voir gure 4.33).
Il n'y a pas véritablement de fusion dans cette étape. Seules des connaissances de classication sont nécessaires. Les abstractions construites ne changent pas de granularité temporelle : la fusion temporelle n'a pas été introduite.
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Fig. 4.32:
Le point
f
Représentation de l'étape 4 de l'abstraction dans l'espace de fusion.
A3 t3 ; d3 ; c3
en le point
109
f
g (représentant les données abstraites lors de la troisième étape) est transformé
g ; la coordonnée 4 correspond à un niveau d'interprétation supérieur à 3 .
A4 t3 ; d4 ; c4
d
d
Le nouveau point ou abstraction a la même dimension temporelle puisqu'il s'agit, ici, simplement
d'une abstraction verticale.
Les diérentes sous-étapes sont décrites dans le tableau 4.6.
Description des
Description des éléments
Dénition
du
éléments à abs-
impliqués dans la fusion
domaine
de
traire
validité
Éléments :
Types de fusion :
segments agrégés.
Connaissances
Description :
valeurs moyennes,
longueurs des
segments et des
intervalles temporels
entre les segments.
Opération :
interprétation.
Validation
connaissance de
classication : seuils de normalité
donnés par les experts. A partir de
ces seuils, il est possible de raner
la classication en termes de
normal mais haut et normal
mais bas. Les seuils dénissent
une zone de normalité dans
laquelle le paramètre est considéré
comme normal, . . .
Tab. 4.6:
Le domaine de
validité correspond
aux segments
agrégés.
Les résultats
obtenus sont
montrés et
validés par les
cliniciens.
Formalisation de l'étape 4 de l'abstraction
110
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Quatrième étape du processus d'abstraction : classication des segments. Les segments liant un intevalle temporel à une moyenne sont transformés en des segments
Fig. 4.33:
liant le même intervalle temporel à une valeur symbolique ; cette dernière correspondant simplement
en un passage numérique/symbolique au dessus ou au dessous d'un seuil de normalité.
4.2.3
Les abstractions complexes ou la construction de patterns locaux
pour la reconnaissance d'événements
Cette étape permet de franchir un nouveau niveau d'interprétation. L'objectif de la mise
au point d'abstractions complexes est de détecter des patterns qui peuvent éventuellement
être validés comme étant de vrais événements. Il y a donc deux phases : la reconnaissance de
patterns et leur interprétation. Dans un premier temps, un événement interne est reconnu.
Puis, dans un second temps, il peut être associé à un événement externe ou non (voir gure
4.34).
La fusion réside sur la combinaison de plusieurs types de connaissance (voir tableau
4.7) : elle est sémantique. Un opérateur de fusion temporelle combine les intervalles des
abstractions simples. La construction des abstractions complexes consiste en quatre sousétapes (voir tableau 4.7).
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
111
L'étape d'abstraction complexe : un nouveau niveau d'interpréation
atteint. Le plan dessiné représente le niveau supérieur d'interprétation des données. Le point
Fig. 4.34:
f
A4 t3 ; d4 ; c4
g est transformé en le point
f
A5 t5 ; d5 ; c5
g. Ce dernier représente les patterns locaux.
Après la phase d'interprétation de ces patterns, on peut évoluer dans l'espace (ce qui est symbolisé
par la èche) si le pattern représente un événement externe ou autre.
112
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Description des
Description des éléments
Dénition
du
éléments à abs-
impliqués dans la fusion
domaine
de
traire
validité
Éléments :
Types de fusion :
segments (il s'agit de
ceux correspondant
à la deuxième étape
d'abstraction, c'est à
dire avant l'étape
d'agrégation.
Fusion sémantique.
Description :
valeurs moyennes,
longueurs des
segments et des
intervalles temporels
entre les segments.
Opération :
classication et
interprétation.
Tab. 4.7:
4.2.3.1
Validation
Connaissances
connaissance sur la sémantique
temporelle : il s'agit de
connaissance sur le
comportement du paramètre
considéré pour les événements
choisis. La longueur des
segments, des intervalles entre
les segments et la diérence
entre les moyennes des segments
sont contrôlés suivant des
modèles de patterns pré-dénis.
connaissance de classication :
une fois les patterns reconnus, il
s'agit de les interpréter et de les
relier éventuellement à un
événement externe.
Le domaine de
validité correspond à
l'union des
intervalles temporels
des éléments du
pattern (segments et
zone instable
éventuellement).
Les résultats
obtenus sont
montrés et
validés par les
cliniciens.
Formalisation de l'étape de construction des abstractions complexes
Phase de reconnaissance des patterns
Il s'agit, ici, de la reconnaissance de patterns locaux (voir section 4.1.4.2).
Nous avons étudié deux patterns locaux qui diérent suivant les seuils sur les délais
temporels et les variations des moyennes. Un premier pattern est basé sur une zone instable.
Lorsque le paramètre est considéré comme instable, nous cherchons des relations entre le
temps et les variations des moyennes des zones stables autour de la zone instable. Ce pattern
est présenté dans la gure avec
du paramètre. Quand
D
m
D
t
et
D
m
élevés ; ceci correspond à un changement instable
est bas, ceci correspond à un artéfact. Un second pattern est
construit sans zone instable (voir gure 4.35).
Ces patterns permettent de reconnaître des comportements d'un signal temporel.
On peut discerner facilement trois sortes de comportement basique d'un signal temporel :
Un spike : un changement brusque sur un faible intervalle temporel (sans diérence
de valeurs avant et après).
Des oscillations : plusieurs changements brusques à la suite (sans diérence de valeur
avant et après).
Un step ou créneau : un changement de valeurs sur un faible intervalle temporel.
La gure 4.36 représente ces comportements avec le pattern suceptible de les reconnaître.
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Fig. 4.35:
113
Représentation des deux patterns locaux.
On instancie chaque pattern à la situation que l'on veut reconnaître suivant la taille
de l'intervalle temporel (intervalle entre deux segments ; c'est à dire la taille de la zone
instable) et la diérence de moyennes entre les deux segments :
Spike Puisqu'il s'agit d'une variation brusque, il est assimilé à une zone d'instabilité sur
un intervalle temporel relativement court et les valeurs du paramètre peuvent être
considérées comme similaires d'où une diérence faible des moyennes des segments
entourant la zone d'instabilité.
Oscillations Les intervalles temporels peuvent être, ici, de taille variable suivant la durée
des oscillations.
Créneau Le changement de valeurs peut être brusque ou plus lent. Ainsi, il correspondra
soit à une zone instable soit à une zone stable.
En pratique, ces comportements reètent des événements internes dont certains peuvent être
interprétés comme des événements externes (voir ontologie dénie dans la section 4.1.4).
4.2.3.2
Phase d'interprétation pour la détection d'événements externes
Nous avons sélectionné plusieurs types d'événement à reconnaître. Les critères pour cette
sélection sont :
une incidence clinique ou technique importante,
un nombre d'occurences conséquent dans la mesure du possible,
une reconnaissance simple.
Le premier critère a été établi avec les médecins du projet. L'incidence technique signie un
problème technique, comme une déconnexion de capteur et l'incidence clinique, la nécessité
de l'intervention d'un médecin ou d'un inrmier.
Suivant ces critères, nous avons considéré les événements suivants :
déconnexion du capteur de SpO2
: événement externe qui induit un événement in-
terne,
désaturation
: événement interne relié à un événement clinique,
114
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Fig. 4.36:
Des comportements typiques reconnus grâce aux patterns.
Quant à l'événement
spike , il est plus dicile de l'interpréter. C'est un événement interne
non lié à un événement externe ou événement clinique.
Ces trois événements remplissent les critères pré-requis : la désaturation est un phénomène alarmant de premier ordre ; c'est une chute de la SpO2 (sous certaines conditions)
qui signie une baisse d'oxygénation du sang. Les déconnexions du capteur de SpO2
35 sont
récurrentes (puisqu'il s'agit d'un capteur se trouvant sur le gros pouce du pied ou de la
main) et induisent de nombreuses fausses alarmes (le fait que le patient bouge son pied peut
changer les valeurs de mesure de la SpO2) ; Ainsi, une déconnexion est un événement externe
induisant un événement interne (chute des valeurs de la SpO2). Quant aux spikes, ce sont
des événememnts typiquement internes dont le nombre d'occurences est élevé ; ils ne sont
pas directement liés à un événement externe ou clinique et par conséquent leur incidence
est à étudier.
4.3 La découverte de règles
La découverte de règles à partir de données sur des intervalles temporels de type état
est complexe puisqu'il faut déterminer :
la formalisation des liens temporels à découvrir,
la mesure correspondante capable de quantier l'intérêt de la règle.
A l'heure actuelle, les recherches de telles règles en sont à leurs balbutiements. Pour diverses
raisons, nous n'avons pu approfondir la méthode de découverte de règles. Nous verrons ces
points dans le chapitre de discussion.
35
La Saturation pulsée de l'hémoglobine en oxygène, ou SpO2, est appelée la valeur donnée par l'oxymètre
de pouls pour la distinguer de la saturation artérielle de l'hémoglobine en O2, mesurée par les gaz du sang
(SaO2). http ://www.inweb.org/D/materiels/monitorage/spo2/SpO2.html
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
115
Nous cherchons des relations du type :
VT normal haut implique fR anormal haut
Pour l'aspect temporel, comme Bellazzi et al [Bellazzi et al., 2003], nous considérons les
co-occurences d'états. Le support de la règle est déni come l'intersection des intervalles
temporels des états et les supports de la prémisse et de la conclusion sont représentés par
les longueurs des intervalles de temps des états correspondants.
Les probabilités a priori et conditionnelles sont dénies respectivement par le support
de la relation correspondante divisé respectivement par la durée totale de l'observation et
par le support de la prémisse.
Nous considérons deux types de mesures d'intérêt : la mesure standard de conance et
la conance causale donnée par Kodrato [Kodrato, 2000].
116
Chapitre 4 : LE RÔLE DE L'INFORMATION ET DE LA CONNAISSANCE DANS LA DÉCOUVERTE DE SCÉNARIOS
Ce chapitre a permis dans un premier temps, la description précise de notre
point de vue sur le rôle de l'abstraction dans le processus d'extraction de
connaissances. Nous avons déni de manière claire les concepts d'information
et de connaissance. Ces concepts ont été ensuite détaillés an de pouvoir décrire explicitement leur rôle dans le processus d'abstraction. L'abstraction des
données est constituée de plusieurs étapes : les quatre premières pour les abstractions simples et la dernière pour les abstractions complexes. A chaque étape
est présenté le procédé de fusion permettant de combiner les informations et les
connaissances.
Dans un second temps, nous avons présenté la méthode succincte de découverte de règles d'association à partir de données de type intervalle et symbolique
(soit les abstractions du chapitre précédent).
Chapitre 5
RÉSULTATS
Dans ce chapitre, nous présentons les résultats du système d'abstraction que
nous avons construit. Dans une première partie, nous dénissons les éléments
pris en compte dans le processus : les données, informations et connaissances
choisis. Ensuite, nous décrivons étape par étape l'abstraction elle-même. Nous
discernons les deux types d'abstractions simples et complexes et étudions en
quoi ils sont complémentaires. Puis, nous décrivons les dicultés de validation
du processus dans le problème délicat de la surveillance de patients en USIs.
Enn, nous présentons quelques résultats très préliminaires de la découverte
de règles.
5.1 Contexte clinique
Notre méthode d'abstraction et de fouille de données a été utilisée dans le contexte du
sevrage de la ventilation mécanique. Le sevrage est la période durant laquelle le clinicien
essaie petit à petit de supprimer l'assistance à la respiration du patient. C'est une période
118
Chapitre 5 : RÉSULTATS
cruciale (voir chapitre 1).
Les données utilisées dans cette étude ont été acquises grâce à un protocole spécique
de sevrage. Ce protocole est divisé en trois parties et permet une acquisition de données
de quatre heures. Durant la première heure, le patient est ventilé classiquement. Durant les
deux suivantes, il respire par lui-même grâce à une pièce en T, ensuite il est en ventilation
spontanée. A chaque instant du protocole pendant les deux dernières périodes, il peut être
replacé en ventilation mécanique. Pour chaque étape, les données physiologiques sont enregistrées et un assistant médical annote tous les événements durant les quatre heures. Cette
procédure dure quatre heures même en cas d'échec. A la n, le sevrage est considéré comme
un succès si le patient peut respirer de façon autonome pendant 24 heures. Ce protocole a
été approuvé par le CCPRRB de Lille. Seuls les patients remplissant les critères d'entrée
sont inclus dans le protocole (voir gure 5.37).
Fig. 5.37:
Le protocole de sevrage étudié
Initialement, nous devions récolter un chier patient documenté par semaine pendant
l'année 2002, une fois le protocole de recueil mis en place (CNIL, protocole déni, choix
des événements établi, personne chargée d'annoter les événements au lit du patient, . . .), ce
qui nous aurait permis d'avoir à disposition une cinquantaine de chiers. Mais cela n'a pas
été possible pour plusieurs raisons. La principale était la diculté de lier la disponibilité
de la personne en charge de l'annotation des chiers et la possibilité d'avoir un patient
répondant aux critères du protocole. La personne en charge de l'annotation n'était pas
présente directement sur place (il n'est possible de recruter et donc de bloquer un membre
du personnel soignant pendant quatre heures) ; les médecins devaient penser à la joindre.
Ensuite, la personne devait être disponible à ce moment là sachant que la mise en place
du protocole dépend de la possibilité du patient à remplir les critères d'entrée
36 . Au nal,
nous disposons d'un dizaine de chiers, tous non forcément utilisables (par exemple, un
chier dure seulement une heure, le patient devant être tout de suite remis sous ventilation
mécanique) ou susament informatifs (des chiers où il n'y pas d'événements signicatifs :
le patient réagit bien et le protocole réussit sans encombre, . . .).
Le recueil des données s'est fait sur deux lieux : les hôpitaux de Lyon et Lille. Les protocoles de sevrage ne reposaient pas sur les mêmes supports techniques. En particulier durant
la période intermédiaire de deux heures, les paramètres de mécanique ventilatoire (fréquence
36
Par exemple, les chiers provenant de Lyon ont été annotés par une personne venant de Grenoble (soit
compter une heure de trajet en voiture)
Chapitre 5 : RÉSULTATS
119
respiratoire, volume courant et volume minute) n'étaient plus disponibles à Lille ; ce qui veut
dire que dans le cas où le protocole de sevrage réussissait à Lille, nous n'avions des données
complètes que pour la première heure.
Finalement, nous avons travaillé sur huit chiers de données correspondant à huit patients dont trois échecs et cinq succès du protocole.
5.2 Les éléments choisis pour la construction du processus
Nous présentons dans cette section, les éléments que nous allons utiliser dans le processus
d'abstraction. Outre les données brutes et la connaissance experte communément utilisées
dans les processus d'abstraction (voir section 3.3), nous introduisons dans notre système
des informations supplémentaires. Ces informations sont des abstractions de bas niveau
sur le comportement des données ; ce sont des tendances extraites à partir de traitements
proches du traitement du signal (voir section suivante). Elles nous permettent d'enrichir et
de contrôler notre processus. Dans cette section, nous décrivons uniquement les éléments
dont nous disposons en début de processus. Nous verrons que tout au long du processus
d'abstraction, nous obtiendrons de nouvelles informations que nous décrirons plus tard. Ici,
il s'agit de décrire les éléments de base.
Nous présentons à présent ces éléments.
5.2.1
Données brutes
Les données brutes dièrent suivant qu'elles proviennent des hôpitaux de Lyon ou de
Lille (voir annexe A).
Données de Lyon
On acquière les signaux physiologiques (comme l'électrocardiogramme, par exemple) selon une fréquence d'échantillonnage de 100 Hz d'où sont extraits les paramètres o line
(comme la fréquence cardiaque à partir de l'électrocardiogramme) par des algorithmes développés par des collaborateurs du projet. Les mesures des paramètres sont échantillonnées
à 1 Hz. Le choix d'acquérir les signaux puis d'en extraire les paramètres est justié par la
volonté de maîtriser tout le processus de traitement.
Nous disposons de plusieurs signaux physiologiques échantillonnés à 100Hz : l'ECG, la
fréquence cardiaque machine, la pléthysmographie, l'oxymétrie de pouls, la pression invasive,
la pression et le débit aériens insués (voir gure 5.38). Le logiciel AcqKnowledge est utilisé
pour l'acquisition des signaux connectés au module Biopac et provenant du moniteur cardiovasculaire et des boîtiers de débit et de pression.
120
Chapitre 5 : RÉSULTATS
Fig. 5.38:
Les sept signaux physiologiques
De ces signaux, nous extrayons une vingtaine de paramètres numériques (voir Annexe
C) échantillonnés à 1Hz, à l'aide d'un programme écrit en Matlab par nos collaborateurs du
Laboratoire d'Automatique de Grenoble [Becq, 2000]. Ce programme nécessite la connaissance de seuils et plusieurs tests sont souvent nécessaires. En annexe E, sont représentés
quelques exemples de relations entre les paramètres et les signaux physiologiques.
Données de Lille
A Lille, nous étudions directement les paramètres physiologiques calculés par les diérentes machines au lit du patient (voir annexe A). Les mesures des paramètres sont échantillonnées à 0.2 Hz. Le choix de travailler avec les valeurs données par les machines est justié
par le fait que ce sont ces valeurs qui vont être utilisées ensuite par ces mêmes machines
pour la surveillance ou par le clinicien pour prendre une décision (choix pris par les médecins et les collaborateurs de Lille). Les programmes d'extraction des paramètres à partir des
signaux physiologiques ne sont pas disponibles. A partir du moniteur cardio-vasculaire, les
paramètres disponibles sont fonction des modules de surveillance activés :
le module ECG : fréquence cardiaque, nombre d'anomalies
le module pression : pression systolique, diastolique et moyenne
le module SpO2 : saturation en oxyhémoglobine, fréquence cardiaque
le module de capnographie (optionnel) : PetCO2, fréquence respiratoire
A partir du ventilateur, on obtient les valeurs des paramètres mesurées comme la fréquence
respiratoire, le volume courant . . .
121
Chapitre 5 : RÉSULTATS
Données eectivement traitées
Face à la quantité de données disponibles et dans un souci de cohérence, nous avons
sélectionné seulement certains de ces paramètres pour nos traitements ultérieurs. Ce choix
a été fait par les experts [Biot, 1998] ; il correspond aux paramètres les plus pertinents et
les plus usités que ce soit à Lyon ou à Lille. Il s'agit de la fréquence cardiaque machine, la
pression artérielle systolique, le volume courant, la ventilation minute, la fréquence respiratoire et la saturation pulsée en oxygène (on rappelle que la fréquence respiratoire, le volume
courant et le volume minute ne sont pas disponibles pendant les deux heures intérmédiaires
du protocole à Lille et, en cas de réussite du protocole et donc de débranchement du patient,
ces paramètres ne le sont pas non plus la dernière heure à Lyon et à Lille).
En général, il y a beaucoup de valeurs manquantes et d'imprécision dues au bruit des
signaux et la précision des capteurs. L'évolution des paramètres est centrale pour leur interprétation plutôt que leurs valeurs eectives. Toutes ces caractéristiques introduisent des
dicultés supplémentaires pour des approches d'apprentissage.
Pour chaque paramètre, on distingue plusieurs attributs :
Domaine de variation,
Modalité de calcul,
Fréquence d'obtention,
Validité temporelle,
...
5.2.2
Informations extraites
An de qualier les variations des paramètres et ainsi de contrôler au mieux le processus
d'abstraction, les tendances symboliques sont calculées pour chaque paramètre avec leur
échelle caractéristique associée. Ces informations sont fournies par les partenaires du projet
(groupe de Lille). L'information de tendances semble pertinente pour le processus pour
plusieurs raisons :
(1) Elle donne une
information sur le comportement dynamique du paramètre.
(2) En outre, elle la caractérise en termes de
stabilité, instabilité . C'est une notion
de plus haut niveau que les caractéristiques classiques de tendances (où la notion
d'instabilité n'est pas présente et est généralement de la forme {augmenté, diminué,
augmenté, . . .}),
(3) Enn, elle procure l'information d'échelle
caractéristique ; il s'agit d'un inter-
valle temporel calculé par apprentissage pour chaque paramètre et à chaque nouveau
traitement. C'est l'intervalle ou l'échelle représentant au mieux la dynamique propre
du paramètre : Elle peut être interprétée comme un indicateur de la variabilité locale
des données [Calvelo-Aros, 1999] p42.
Ces tendances sont très informatives et peuvent enrichir considérablement le processus d'abstraction.
Le calcul des tendances se fait de la manière suivante.
La tendance est calculée par régression linéaire sur une fenêtre dont la taille est calculée en fonction de la dynamique propre de chaque paramètre et appelée échelle ou temps
122
Chapitre 5 : RÉSULTATS
caractéristique. Calculée de cette manière, la tendance est assimilable à une dérivée. Il est
alors possible de reconstruire une série de données ltrées par intégration des valeurs de la
tendance. La gure 5.39 donne un exemple de la méthode appliquée sur un enregistrement
de la SpO2. A l'échelle caractéristique, à chaque instant on dispose de la valeur du paramètre, de sa tendance caractérisée par la pente de la droite de régression ou du coecient
de régression qui par dénition a fait l'objet d'une normalisation par rapport à sa plage
de variation et à son unité. Le calcul de l'écart-type fournit un indicateur de la stabilité
locale du paramètre. C'est à partir du partitionnement du plan tendance vs stabilité (ou
plus précisément coecient de régression vs écart-type) que les notions de tendance qualitative (augmentation, diminution) et de stabilité (stable, instable) sont obtenues. Diérentes
modalités de partionnement sont envisageables à ce stade pour lesquelles il est dicile de
déterminer des critères objectifs de comparaison et de validation (repris du compte-rendu
de la réunion d'OSSCAR du 26 10 01) (pour plus de détails, voir [Calvelo et al., 2000]).
Fig. 5.39:
Application de la méthode de ltrage au signal de Sp02
(fréquence
d'échantillonnage 1Hz, temps caractéristique 213 secondes)
L'application de la méthode de partitionnement par découpage des distributions en quantiles est illustrée par la gure 5.40.
123
Chapitre 5 : RÉSULTATS
Fig. 5.40:
Exemple de partitionnement du plan tendance vs stabilité pour le
paramètre Sp02.
Dans [Calvelo et al., 2000], le partitionnement est fait grâce à des valeurs xées a priori.
Cependant, étant donné la particularité du protocole de sevrage et ses diérentes étapes, ce
parti pris n'est pas satisfaisant. En eet, suivant le mode de ventilation, le patient ne respire
pas de la même façon et donc ses paramètres physiologiques réagissent diéremment. Par
exemple, la fréquence respiratoire aura tendance à être beaucoup plus uctuante lorsqu'il
est sous pièce en T plutôt qu'en ventilation contrôlée. En gardant comme seuil pour dénir la stabilité le percentile 95, la fréquence respiratoire est considérée comme très instable
durant toute la durée de la mise en place de la pièce en T, ce qui n'est pas cliniquement
vrai ; le patient s'est simplement adapté au nouveau mode de ventilation. Ainsi, il semble
que le choix d'un seuil xe ne soit pas adéquat. C'est pourquoi, après ces observations, son
calcul a été modié par les collaborateurs de Lille. A présent, il s'agit toujours du percentile
95 mais c'est le percentile qui est recalculé tous les 900 points. Il s'agit ici d'une fenêtre
non glissante. Cette fenêtre de 900 points est le meilleur compromis pour garder les temps
caractéristiques et pour laquelle, on a le plus de chance d'avoir une stabilité. Pour les notions
augmenté et diminué, le choix des seuils est une valeur xe du coecient de régression
:
(augmenté/stable = +0 7, diminué/stable =
:
0 7).
Le seuil de stabilité qu'il soit xe ou pas est important dans nos travaux. Nous avons
commencé par travailler avec des tendances ayant un seuil xe de stabilité (les seuls disponibles à l'époque). Ensuite, le calcul des tendances ayant été amélioré, nous avons appliqué
le processus d'abstraction en considérant ces nouvelles tendances (voir section 5.4).
5.2.3
Connaissances
Nous utilisons plusieurs sortes de connaissance : des connaisances contextuelles et des
connaissances a priori. Les secondes sont classiques ; ce sont des connaissances expertes
basiques et identiques pour toutes les équipes de recherche s'intéressant à la surveillance
de patients en USIs. Nous les détaillons plus loin. Les premières, celles que l'on a qualiées
124
Chapitre 5 : RÉSULTATS
de contextuelles, sont très originales. Il s'agit de connaissances sur ce qui se passe dans la
chambre du patient pendant l'acquisition des données ; elles concernent autant les soins qu'il
peut subir, le comportement des paramètres surveillés, à savoir si une alarme se déclenche
par exemple, les réactions du patient comme le fait qu'il tousse par exemple. Elles sont
donc un véritable carnet de bord de tous les événements en rapport avec le patient durant
l'acquisition des données.
Elles permettent de documenter de façon précise les données d'acquisition et ainsi d'aider
les cliniciens pour une analyse ultérieure. En cela, elles complètent les connaissances a
priori des experts.
Nous détaillons à présent ces connaissances.
Les connaissances liées au contexte d'acquisition
Ce sont des connaissances sur l'occurrence des événements se produisant dans la chambre
du patient pendant l'acquisition des données. Au lit du patient un clinicien qualie chaque
alarme en termes de fausse positive, fausse négative, vraie positive, fausse positive et marque
chaque occurrence d'événement (voir un exemple de chier sur la gure 5.41) :
Les alarmes vraies positives (VP) sont les alarmes qui ont été déclenchées alors que la
valeur du paramètre est en dehors des seuils xés et suivies d'un geste de soins ou de la
résolution d'un problème technique. Dans ce dernier cas l'alarme sera notée VPT. Les
alarmes fausses positives (FP) sont déclenchées lorsque la valeur du paramètre est en
dehors des seuils xés, qu'elles ne justient d'aucun geste technique ou thérapeutique.
Les alarmes fausses négatives (FN) correspondent au fait que la valeur du paramètre
est dans la limite des seuils xés alors qu'il y a un problème sur le patient justiant
d'un geste de soin. Les seuils de ces alarmes sont xés au préalable par les cliniciens
et peuvent être éventuellement changés en cas de nécessité. Ils sont notés dans les
chiers événements soit de façon manuelle, soit de façon automatique par le moniteur.
Tous les paramètres ne sont pas associés au déclenchement éventuel d'une alarme.
Une alarme est donc caractérisée par des seuils numériques ou symboliques suivant
le contexte, par le mode d'adaptation de ces seuils selon le patient, par le traitement
thérapeutique . . ., par une fréquence d'obtention,. . .
Les événements correspondent à plusieurs sortes d'information. Le choix des événements à répertorier et des codes correspondants (pour simplier la lecture des chiers)
a été discuté avec les médecins. Sont annotées les modications intervenant sur les
drogues, les modications sur le ventilateur, la mise en place et l'arrêt d'un traitement externe, le début et la n d'examen, de prélèvement, de geste, de présence de
personnes dans la chambre et enn des modications sur le moniteur cardiovasculaire
(voir annexe F).
Chapitre 5 : RÉSULTATS
Fig. 5.41:
125
Exemple de chier obtenu au lit du patient (KAC0110) à Lyon. Les
colonnes correspondent respectivement à la date d'acquisition, à l'heure puis à l'événement et/ou
l'alarme produits (l'heure correspondant à l'heure à laquelle le type d'événement est reporté. On
peut donc avoir ici un léger décalage entre les heures d'occurrence et de report). Ici, une seule sorte
d'alarme a eu lieu VP pour vraie positive, le chire précédant cet acronyme symbolise le paramètre,
3 pour SpO2 par exemple. Plusieurs événements ont eu lieu et ont été rapportés : un réglage sur
la FiO2 RESPI FiO2 60 ou le fait que le patient ait toussé Toux.
Suivant la provenance (Lyon ou Lille), ces chiers n'ont pas tout à fait la même forme
(voir annexe A). A Lyon, tous ces événements et alarmes sont entrés à la main par la personne en charge au lit du patient. A Lille, nous disposons de deux chiers. L'un concerne la
saisie manuelle (suivant le même principe qu'à Lyon) des événements préalablement codiés.
L'autre est un chier fourni de manière automatique par le moniteur où sont marqués les
réglages sur les paramètres, les alarmes correspondant à des dépassements de seuil et autres
informations sans aucune interprétation. Par exemple, à Lyon seule la survenue de l'alarme
est notée, mais pas sa durée tandis qu'à Lille, un message d'alarme est envoyé tant que dure
l'alarme.
Il est à noter que bien qu'initialement la personne en charge au lit du patient devait être
un expert médical, il n'en a rien été durant le projet. Par manque de disponibilité, il n'a
pas été possible de recruter une telle personne avec ces compétences. Par contre, les deux
126
Chapitre 5 : RÉSULTATS
personnes recrutées sont des scientiques connaissant bien les problèmes d'anesthésie réanimation et capables d'annoter les événements. Mais, il ne leur était pas possible d'annoter les
alarmes (sauf lorsque les FPT, alarmes fausses positives techniques, typiquement lorsqu'un
capteur est débranché). Le recrutement d'une telle personne est un réel problème : elle doit
être disponible à tout moment (on ne peut pas prévoir qu'un patient peut être sevré ou non
des jours à l'avance), les médecins doivent penser à la prévenir (ce qui n'est pas toujours
le cas, par oubli plus que par négligence), ensuite elle doit être susamment compétente et
motivée.
Un autre problème se pose quant au décalage entre les chiers événements et les données
brutes. Les alarmes déclenchées par les machines correspondent à des dépassements de seuils
des paramètres. Mais, les machines n'utilisent pas les données brutes ; elles contiennent des
algorithmes de ltrage des données qui peuvent correspondre à un calcul de moyennes cycle
à cycle, par exemple. Nous n'avons pas accès à ces algorithmes et ne connaissons donc pas
leurs traitements. Ainsi, les machines peuvent déclencher des alarmes que nous ne retrouvons pas sur les données brutes ou le contraire.
Ces connaissances pourront servir à la phase de validation des abstractions obtenues.
Les connaissances physiologiques
Les connaissances physiologiques (causales) consistent en des relations temporelles ou
causales entre les paramètres physiologiques. Malheureusement, les experts ont beaucoup de
mal à formaliser ces connaissances qui sont fortement liées au contexte. Ils tiendront compte
d'impressions non quantiables comme par exemple, l'apparence du patient. Ils ont du mal
à quantier les relations qu'ils connaissent en termes de relation temporelle ou d'impact
réel. On peut ainsi discerner plusieurs sortes de connaissances physiologiques :
les relations entre paramètres que l'on peut qualier de primaires et qui sont connues
a priori : ce sont des relations causales entre paramètres.
Le paramètre SpO2 est souvent modié par les autres paramètres.
Les paramètres VT, VM et fR sont liés par la relation
V T fR = V M .
Les relations entre paramètres dépendant du contexte et traduisibles à la lecture du
chier a posteriori. Par exemple, à la lecture d'un chier patient a posteriori, les
experts peuvent reconnaître une désaturation en considérant les perturbations sur
les autres paramètres (HR, RR, VE). Ce genre de connaissances sera donc utilisé
principalement pour la validation a posteriori.
Les connaissances sur la sémantique et la dynamique temporelles et les connaissances
structurelles. Ce sont des connaissances plus spéciques au comportement des paramètres (voir section 3.2.3).
Les connaissances cliniques
Ce sont des connaisances de classication. Elles sont utilisées pour lier les valeurs numériques et symboliques (valeurs normales ou anormales des paramètres fournies par les
Chapitre 5 : RÉSULTATS
127
cliniciens). Elles ont été xées en fonction de données trouvées dans la littérature et après
discussion avec les experts du projet (voir annexe H). Les valeurs dites normales sont en
fait dépendantes de l'âge, du sexe, de la taille, du poids et de l'origine ethnique.
5.2.4
Spécicité des éléments disponibles
Nous disposons ainsi de trois sortes d'élément : données, informations et connaissances.
Cette richesse va nous permettre de résoudre au mieux les problèmes d'abstraction de données. Malgré cela, il est clair que nous avons eu aaire à plusieurs dicultés, en particulier de
par la manipulation de tels éléments provenant de deux sources diérentes (Lyon et Lille) :
La diculté de mettre en place un tel protocole et d'obtenir les informations voulues
(prise en main du codage des événements par exemple).
La prise en compte des diérences entre les deux sources (diérents codes suivant les
sources, . . .).
Des connaissances expertes dicilement formalisables.
...
5.3 Application de la méthode d'abstraction des données
Dans cette section, nous détaillons notre méthode appliquée aux patients soumis au
protocole de sevrage.
La construction des abstractions simples se divise en quatre étapes. La première permet l'introduction d'informations déjà extraites ce qui induit un niveau d'interprétation
supérieur. On peut dire que toute notre méthode repose quasiment entièrement sur cette
introduction pour déterminer les domaines de validité de l'abstraction. C'est précisément ce
point qui est à la base de l'originalité de nos travaux : dès le début du processus d'abstraction, l'introduction d'information permet d'assurer la prise de décision.
Cette intégration dans le processus caractérise la fusion que nous allons utiliser tout au
long du processus : fusion des données, des informations et des connaissances. Le point sur
lequel nous insistons est la validation et la robustesse des abstractions que nous obtenons,
ainsi il nous semble qu'un processus de fusion et incrémental va dans ce sens. La prise de
décision se fait tout au long du processus et repose sur des petites décisions.
5.3.1
Les abstractions simples pour la construction d'états
Les données brutes ont été préalablement pré-traitées par l'équipe de Lille. Pour chaque
paramètre, des seuils sont xés an de supprimer les valeurs des mesures considérées comme
aberrantes. Les valeurs du paramètre dépassant ces seuils sont alors remplacées par des
NaNs (Not a Number, code pour Matlab) (voir annexe I).
5.3.1.1
Détermination des domaines de validité
Cette étape consiste en la labellisation des points de mesures en termes stable/ instable an de pouvoir déterminer les zones de validité où l'abstraction pourra être eectuée
(voir section suivante). Les éléments de base sur lesquels nous travaillons sont les données
pré-traitées.
Cette étape se divise en deux parties.
128
Chapitre 5 : RÉSULTATS
La détermination des tendances de chaque point de mesure
37
Nous avons choisi de nous aider des tendances symboliques pour faire ce passage : les
tendances symboliques sont calculées sur une fenêtre glissante dont la taille est calculée par
apprentissage (cette taille est appelée échelle ou temps caractéristique) ; nous caractérisons
ensuite chaque point en terme de stable, instable, . . .
Pour chaque paramètre de chaque chier, une échelle caractéristique est calculée par
apprentissage (exemple : suivant le chier étudié, SaO2 a pour temps caractéristique 25,
89 ou 33 en nombre de points de mesure). Une tendance symbolique est calculée sur une
fenêtre de temps correspondant à cette échelle caractéristique. Il s'agit d'une fenêtre glissante : les calculs de tendances symboliques ont la même périodicité que les points de mesure.
Par exemple, si l'on considère un paramètre avec une échelle caractéristique de trois points,
chaque point de mesure aura au plus trois tendances puisqu'il appartiendra à trois fenêtres
(voir gure 5.42). Pour éviter les confusions, nous appellerons chaque tendance attribuée
à un point, une caractéristique. Un point a alors plusieurs caractéristiques dont le nombre
correspond au nombre de fenêtres glissantes dont il fait partie. La notion de tendance ou
de caractéristique est valable sur l'intervalle de temps correspondant à la période d'échantillonnage.
37
Voir note 33 page 101
129
Chapitre 5 : RÉSULTATS
Fig. 5.42:
Exemple de tendances symboliques sur une échelle caractéristique de
3 points. Le graphe du bas représente les valeurs numériques d'un paramètre à une fréquence
d'échantillonnage xe ; celui du milieu les tendances symboliques (constant, augmenté et instable)
calculées sur les 3 points antérieurs. Le graphe d'en haut représente les diérentes caractéristiques
attribuées à chaque point. Par exemple, le point correspondant au temps 1, ne faisant partie que d'une
fenêtre glissante, a une seule caractéristique (constant) attribuée grâce à la tendance symbolique
e point. Le point correspondant au temps 4, fait partie de 3 fenêtres glissantes et a
constant au 4
donc 3 caractéristiques, 2 fois augmenté et 1 fois instable etc . . ..
La détermination des zones de validité à partir des labels des points de mesure
Les labels de chaque point ou d'un ensemble de mesures correspondent à la notion de tendance (sur l'intervalle d'échantillonnage pour un point et sur l'intervalle temporel déterminé
par l'ensemble des points). A partir des caractéristiques de chaque point, on détermine une
tendance ; c'est cette notion de tendance que nous appelons label. Remarquons que cette
notion de label doit être diérenciée des tendances symboliques calculées sur une fenêtre
glissante.
Du fait que plusieurs caractéristiques sont attribuées à chaque point de mesure, la détermination de zones stables n'est pas aussi évidente que l'on pourrait le croire. Pour ce faire,
nous avons élaboré plusieurs méthodes suivant que l'on considère des zones à taille xe (où
l'on considère ainsi l'ensemble des caractéristiques attribuées aux points de cette zone), ou
des zones à taille variable (où l'on considère la tendance de chaque point de la zone).
Pour faire ce passage, nous considérons la connaissance suivante : une valeur mesurée
(ou un ensemble de points) est considérée comme stable si elle (il) est qualiée plus souvent
comme stable qu'instable. Un seuil
a été nécessaire pour décider qu'un point ou un en-
semble de points a un label stable plutôt qu'un label instable. Il a été xé à 1.5, ce qui
correspond au fait que pour qu'un point (ou un ensemble de points) ait un label stable, il
faut qu'il ait au moins 60% de caractéristiques stable.
Soit
n et m les nombres des caractérisques stable
et instable. La somme de
n et de m
130
Chapitre 5 : RÉSULTATS
représente la totalité des caractéristiques d'un point (ou d'un ensemble de points) donc (en
%)
n+m=1
La condition sur
s'écrit :
n
m
De ces deux équations, on en déduit :
m0
n
D'où
n
(1
D'où la relation
1
n) 0
n
(5.1)
n
Ainsi, si l'on veut que n soit au moins égal à 0.6 ou 60%,
doit être égal au moins à 1.5.
Nous verrons plus tard que d'autres valeurs de seuils ont été testées mais que celle-ci
paraît être la meilleure. Néanmoins, puisqu'il n'est pas pertinent ou du moins infaisable de
valider le label de chaque point de mesure pour chaque chier (soit environ 14000 points par
chier), la détermination du seuil se fera lors de l'étape suivante où l'on étudiera plusieurs
dénitions de zones de validité.
Plusieurs méthodes de détermination des zones stables peuvent être envisagées :
Zone dénie sur un nombre xe de points : Ce nombre correspond à l'échelle caractéristique calculée par apprentissage lors du calcul de tendances.
Où il sut qu'une tendance stable soit détectée . . .
Dès qu'une tendance stable (constant ou diminué ou augmenté) est détectée,
la zone correspondant aux tc points antérieurs est considérée comme stable et donc
valide (voir 1) dans la gure 5.43).
Où il sut qu'une tendance stable soit détectée et que l'ensemble des points de la
zone soit considéré comme stable.
Dès qu'une tendance stable (constant ou diminué ou augmenté) est détectée, si
l'ensemble des tc points antérieurs est plus stable (constant ou diminué ou augmenté)
qu'instable suivant le seuil
, la zone déterminée par ces points est considérée comme
stable et donc valide (voir 2) dans la gure 5.43).
Où il sut que l'ensemble de tc points soit considéré comme stable.
Le principe est le même que précédemment mais on considère tous les ensembles de
tc points (voir 3) dans la gure 5.43).
Zone dénie sur un nombre variable de points :
Où l'on ne diérencie pas les diérentes tendances stables.
Pour chaque point de mesure, sont comptés les nombres de caractéristique stable,
de caractéristique instable . . .. Si le label attribué au point est stable (constant ou
diminué ou augmenté), la zone déterminée par ces points est considérée comme
stable et donc valide (voir 4) dans la gure 5.43).
Chapitre 5 : RÉSULTATS
131
Où l'on diérencie les diérentes tendances dites stables.
Le principe est le même que précédemment mais on diérencie stable/constant
de diminué et augmenté. Les points déterminant la zone de stabilité ont donc
globalement la même tendance symbolique (voir 5) dans la gure 5.43).
Comparaison
On voit que pour les trois premières, on a une succession de zones `stables
qui se chevauchent ; cela provient du fait que l'on tient compte de l'ensemble des points
et donc que la caractéristique de la fenêtre glissante est conservée. Pour les deux autres,
les zones stables sont xées puisque on a qualié chaque point de mesure en termes de
stabilité/ instabilité dénitivement. La dernière méthode 5) est simplement un ranement
e qui ne caractérise seulement les zones en stable ou instable. Ici, chaque zone
de la 4
correspond à des points ayant globalement la même tendance ; en trait plein augmenté et
en traits d'union constant. Nous verrons dans la section suivante une comparaison de ces
zones une fois leur caractérisation eectuée.
5.3.1.2
Caractérisation des intervalles de stabilité
A partir des données pré-traitées et des dénitions des diérents domaines de validité, on
caractérise chaque intervalle (correspondant à un domaine de validité) par la moyenne et
l'écart-type des points correspondants.
Suivant les domaines de validité déterminés précédemment, on obtient des segments diérents
38
38 (voir gure 5.44).
On appelle segment l'intervalle ou zone de stabilité sur lequel vont être calculés la moyenne et l'écart-type
des points constituant la zone.
132
Fig. 5.43:
Chapitre 5 : RÉSULTATS
Les diérentes façons de dénir des zones stables . Les 3 graphes du bas
sont repris de la gure précédente. 1), 2), 3), 4) et 5) correspondent respectivement à la première,
deuxième, . . . cinquième méthode de détermination des zones stables. Pour la méthode 1), on prend
en exemple le point 6 ; étant donné qu'il correspond à une tendance stable (augmenté), les 3 points
antérieurs correspondent à une zone stable (en gras). Pour la méthode 2), on prend toujours en
exemple le point 6 ; étant donné qu'il correspond à une tendance stable (augmenté) et que l'ensemble
des 3 points antérieurs ont une tendance globale stable (6 caractéristiques stable (1 constant et
5 augmenté contre 3 instable), ces 3 points correspondent à une zone stable (en gras). Par contre,
pour le point 13, l'ensemble des points est plus instable (6 contre 3) donc la zone déterminée par
les 3 points antérieurs n'est pas considérée comme stable. Pour la méthode 3), l'ensemble des points
2, 3, 4 a un label stable (5 fois augmenté + 1 fois constant contre 3 fois instable) et donc
correspondent à une zone stable (en gras). Pour la méthode 4), les points 1, 2, 3, 4 et 5 ont chacun
un label instable donc la zone déterminée par ces points est considérée comme stable (en gras). On
ne diérencie par les diérents labels. Pour la méthode 5), on discerne les labels de chaque point.
Les points 1 et 2 ont un label constant et donc le label de la zone déterminée par ces 2 points est
rané en constant (en trait plein et gras) tandis que celui déterminé par les points 3, 4 et 5 en
augmenté (traits d'union et gras).
Chapitre 5 : RÉSULTATS
Fig. 5.44:
133
Les abstractions calculées sur des zones stables déterminées de façons
diérentes. On a repris la gure 5.43 sur laquelle sont représentées les valeurs aectées à chaque
point (les petits ronds) après calcul des moyennes sur les zones stables.
A présent, nous allons présenter des exemples de calculs de moyennes pour chaque méthode de détermination des zones stables.
Zone dénie sur un nombre xe de points :
Nous présentons sur la gure 5.45, un exemple de calculs de la caractérisation des intervalles de stabilité à partir des trois premières méthodes de dénition de zones de validité
(sur un nomre xe de points). Il comprend cinq graphes : celui du haut représente les données pré-traitées, celui en dessous les tendances fournies. Ensuite, les graphes correspondent
respectivement à la première, deuxième et troisième méthode.
Où il sut qu'une tendance stable soit détectée . . .
Les petites zones instables au milieu de zones stables sont ltrées et par contre, les
petites zones stables au milieu de zones instables sont mises en avant puisque l'on privilégie
les tendances stables.
Dans l'exemple présenté sur la gure 5.45 (voir graphe 3 à partir du haut), il n'y aucune
zone d'invalidité (puisque les tendances stables sont privilégiées). Le signal complet a pu
134
Chapitre 5 : RÉSULTATS
être caractérisé.
Où il sut qu'une tendance stable soit détectée et que l'ensemble des points de la zone soit
considéré comme stable.
Comme précédemment, les petites zones instables (respectivement stables mais dans
une moindre mesure) au milieu de plus grandes zones stables (respectivement instables)
sont ltrées. Cependant, le fait de rajouter une condition sur l'ensemble des points, diminue
le nombre de zones stables.
Dans l'exemple présenté sur la gure 5.45 (voir graphe 4 à partir du haut), des zones
d'invalidité apparaissent (au niveau du point 4000 par exemple).
Où il sut que l'ensemble de tc points soit considéré comme stable.
Les petites zones stables/instables au milieu de plus grandes zones instables/stables sont
ltrées.
Dans l'exemple présenté sur la gure 5.45 (voir graphe du bas), des zones d'invalidité/instabilité supplémentaires apparaîssent (au niveau des points 5000, 7000, par exemple).
Le fait de calculer la moyenne sur tc points ne paraît pas susant pour l'abstraction et
l'on se retrouve à calculer des moyennes avec des points instables (ces points se trouvant
dans un ensemble de points globalement plus stable).
Zone dénie sur un nombre variable de points :
Nous présentons sur la gure 5.46, un exemple de calculs de la caractérisation des intervalles de stabilité à partir des deux dernières méthodes de dénition de zones de validité
(sur un nomre variable de points). Il comprend cinq graphes : celui du haut représente les
données pré-traitées, celui en dessous les tendances fournies. Ensuite, les graphes correspondent respectivement à la quatrième, cinquième méthode avec un vote de 1.5. Le graphe
du bas correspond à la cinquième méthode avec un vote de 4.
La caractérisation des intervalles par ces deux méthodes aboutit à des calculs de moyennes
et d'écart-types sur des segments de droite (voir paragraphe Comparaison de la section
5.3.1.1).
Où l'on ne diérencie pas les diérentes tendances stables.
Dans l'exemple présenté sur la gure 5.46 (voir graphe 3 à partir du haut), plusieurs
zones d'invalidité/instabilité sont présentes (vers les points 4000, 5000, etc).
Où l'on diérencie les diérentes tendances dites stables.
Le principe est le même que précédemment mais on diérencie stable/constant de diminué et augmenté. On calcule la moyenne sur les points qui ont majoritairement la même
tendance symbolique. Le ltrage est le même que précédemment mais le fait de tenir compte
des valeurs des tendances symboliques stables permet un calcul de moyenne sur moins de
points. Chaque ensemble de points ayant la même moyenne a aussi globalement la même
Chapitre 5 : RÉSULTATS
Fig. 5.45:
135
Illustration sur la fréquence respiratoire (chier 1804CHA1-ssNaN)
des données moyennées sur les zones déterminées comme stables par les 3 premières méthodes. L'axe des abscisses représente les points de mesure, une par seconde ; en tout,
il y a un peu moins de 4 heures (11513 points). tc est l'échelle ou temps caractéristique, ici de 188
points de mesure ou secondes ; il a servi à calculer les tendances. Les lignes en trait d'union reportées
sur les deux graphes excentrés symbolisent les seuils de normalité donnés par les experts. Ainsi, à
l'intérieur, les valeurs du paramètre sont considérées comme normales. Le graphe du haut représente
les données pré-traitées, celui du milieu les tendances symboliques et les derniers les moyennes et
écart-type calculés sur les zones stables respectivement par les 3 méthodes (avec un vote de 1,5).
Les zones où il n'y a rien correspondent à des zones instables. La case à droite et en bas de chaque
graphe signie que l'on peut choisir une autre valeur du vote. La case pts en bas à gauche signie
que l'on peut choisir les parties du signal que l'on veut zoomer. La case plot permet de visualiser
les nouveaux résultats.
136
Chapitre 5 : RÉSULTATS
tendance symbolique.
Sur la gure 5.46, le quatrième graphe représente la caractérisation des intervalles de
stabilité dénis par la dernière méthode de détermination des zones stables où sont diérenciées les diérents symboles de stabilité, avec un vote de 1.5. Par rapport à la méthode
précédente (voir graphe au dessus), chaque zone de validité regroupe des points ayant globalement la même valeur symbolique de tendances. Par exemple, le créneau juste avant le
point 8000 correspond à la tendance diminué qui n'était pas diérenciée avec la méthode
précédente.
Sur la gure 5.46, le graphe du bas représente la caractérisation des intervalles de stabilité
dénis par la dernière méthode de détermination des zones stables où sont diérenciées les
diérents symboles de stabilité avec un vote de 4. Le choix s'est porté sur la dernière méthode
avec un vote de 1.5 (ce qui correspond au fait que les points doivent être au moins stable pour
60%). Ce dernier a été pris en concertation avec les experts. Néanmoins, nous présentons
sur la gure 5.46 (graphe du bas), le même calcul mais avec un vote de 4 (ce qui représente
un pourcentage de 80%). Il n'y a pas de diérence signicative. D'autres seuils ont été testés
(9, 99, etc).
Quant au choix de la méthode elle-même, les raisons en ont été :
Aucun point instable/invalide n'est considéré.
Une plus grande nesse dans l'interprétation puisque tous les points successifs ayant la
même moyenne ont aussi la même tendance, et la diversité des symboles est préservée.
Le choix de la
caractérisation des intervalles se porte donc sur la cinquième mé-
thode de détermination des zones de stabilité avec un seuil
5.3.1.3
de 1.5.
Agrégation des segments
Cette étape constitue un ranement des segments dénis dans l'étape précédente.
Pour dénir les mécanismes d'agrégation, nous aurons besoin :
Des données pré-traitées Nous tiendrons compte des variations brusques du paramètre.
Des informations extraites lors de l'étape précédente
On considére ainsi les seg-
ments précédents comprenant des informations temporelles (longueurs des segments
et entre les segments), et des informations numériques (moyennes et écart-types des
points constituant les segments).
Des connaissances sur la sémantique et la dynamique temporelles
Deux sortes
d'heuristiques sont utilisées. La première (une heuristique classique) vérie la longueur
des segments, des intervalles entre les segments, la diérence entre les moyennes de
deux segments consécutifs en considérant les écart-types correspondant. La seconde
contrôle que la variation du paramètre soit au-dessous d'un seuil ou au-dessus mais
à condition que ce soit pour un temps limité correspondant à l'échelle caractéristique
[Calvelo et al., 2000]. Les seuils pour ces règles sont xés par les cliniciens et dépendent
de la précision des données mesurées.
Les heuristiques portent sur les longueurs des diérents segments et intervalles, les moyennes
et écart-types correspondant aux segments et les variations des données pré-traitées (avant
le processus d'abstraction). Le principe est de tenir compte des spécicités des données déjà
abstraites tout en tenant compte aussi de celles des données brutes (ou pré-traitées). Ainsi,
137
Chapitre 5 : RÉSULTATS
la règle énoncée plus bas, permet de mettre en exergue des conditions sur les abstractions
déjà construites que l'on a appellées segments (conditions temporelles et numériques grâce
à la prise en compte de leurs longueurs et les moyennes et écat-types qui leur ont été attribuées) et sur les variations des données brutes durant la phase d'instabilité (où les segments
ne sont pas représentés). La construction de cette règle est simple et relève de connaissances
a priori que l'on peut qualiées de primaires : le seuil de variation des données signicatif
pour chaque paramètre, un intervalle d'instabilité entre deux segments plus longs peut être
ltré, . . .
l la longueur de l'intervalle entre deux segments S1 et S2 , de longeurs respectives l1
1 et 2 , et d'écart-types respectifs 1 et 2 . Soit la variation
entre les valeurs des moyennes des segments (soit 1
2 ). Les heuristiques s'écrivent de
la manière suivante (avec l3 , 3 et 3 , la longueur, la moyenne et l'écart-type du nouveau
l
Soit
et 2 , de moyennes respectives
segment) :
l l1 et l l2 ) ET (1 1 \ 2 2 6= ) ET ( OU (( > ) et (l tc)))
SI (
ALORS
l3 = l + l1 + l2 ET 3 = fensemble des points sur lg ET 3 = fensemble des points sur lg
La prémisse de cette règle contient trois conditions :
1. Si la longueur de l'intervalle est inférieure aux longeurs des deux segments l'entourant,
2. si les bandes de valeurs des moyennes plus ou moins les écart-types des segments ne
se chevauchent pas,
3. si la variation des valeurs brutes (ou tout du moins pré-traitées) du paramètre durant
la phase d'instabilité est inférieure à un seuil
39
Si toutes ces conditions sont respectées alors, les segments sont agrégés (et la phase d'instabilité ltrée), la longueur du segment devient donc la longueur des deux segments précédents
plus celle de la période d'instabilité et lui sont attribués la moyenne et l'écart-type de tous
les points correspondants à la longueur
39
40 du nouveau segment.
est donné par les médecins pour chaque paramètre. On considère la fraction de la variation entre le
point de début de zone d'instabilité et la valeur la plus haute ou la plus basse sur la variation entre les deux
optimaux du signal. Il s'agit de comparer la variation dans la zone d'instabilité à la variation globale du
paramètre. On la confronte ensuite à ce seuil. Si elle est inférieure, la condition pour l'agrégation est remplie.
Si elle est supérieure mais durant un temps court (correspondant à l'échelle caractéristisque donnée par le
calcul des tendances symboliques ([Calvelo et al., 2000]).
40
Les seuils ont été fournis par les médecins, plusieurs autres valeurs ont été testées mais il n'a pas été
révélé de diérence signicative (nous verrons que ces valeurs peuvent être changées sur l'interface et on
peut alors directement visualiser les résultats obtenus avec de nouveaux seuils).
138
Fig. 5.46:
Chapitre 5 : RÉSULTATS
Illustration sur la fréquence respiratoire (chier 1804CHA1-ssNaN)
des données moyennées sur les zones déterminées comme stables par les deux
dernières méthodes. L'axe des abscisses représente les points de mesure, une par seconde ; en
tout, il y a un peu moins de 4 heures (11513 points). tc est l'échelle ou temps caractéristique,
ici de 188 points de mesure ou secondes ; il a servi à calculer les tendances. Les lignes en trait
d'union reportées sur les deux graphes excentrés symbolisent les seuils de normalité donnés par les
experts. Ainsi, à l'intérieur, les valeurs du paramètre sont considérées comme normales. Le graphe
du haut représente les données pré-traitées, celui du milieu les tendances symboliques et les suivants
les moyennes et écart-type calculés sur les zones stables respectivement par la quatrième et cinqième
méthode avec deux valeurs de votes diérents (1.5 et 4). Les zones où il n'y a rien correspondent à
des zones instables. La case à droite et en bas de chaque graphe signie que l'on peut choisir une
autre valeur du vote. La case pts en bas à gauche signie que l'on peut choisir les parties du signal
que l'on veut zoomer. La case plot permet de visualiser les nouveaux résultats.
139
Chapitre 5 : RÉSULTATS
Fig. 5.47:
Illustration sur la fréquence respiratoire (chier 0808TRA-AIM) des
segments agrégés. Les trois premiers graphes correspondent aux données pré-traitées, aux tendances symboliques et aux données moyennées sur les zones stables. Celui du bas représente les
segments agregés suivant les heuristiques présentées. Les cases en bas à gauche permettent respectivement de zoomer sur des parties du signal et de tester une autre valeur de seuil de précision. La
case plot permet de visualiser les nouveaux résultats. On voit ici que les petites zones instables
présentes entre les points 7500 et 10000 ont été ltrées et la moyenne et l'écart-type ont donc été
calculés sur l'ensemble des points (voir graphes 3 et 4).
5.3.1.4
Abstraction qualitative
L'objectif de cette étape est de transformer les valeurs quantitatives des segments en
des valeurs qualitatives comme normal, instable, normal mais haut, anormal et haut,
normal mais bas et anormal et bas. Toutes ces informations sont liées à des intervalles
temporels. Pour cette étape, on considère :
Les informations extraites lors de la phase précédente
La connaissance
a priori
de classication Les seuils donnés par les cliniciens dénissent
une zone de normalité dans laquelle le paramètre est considéré comme normal. A partir
de ces seuils (a, seuil haut et b seuil bas), nous avons rané la classication en termes
de normal mais haut ( ) et normal mais bas ( ). Ces seuils sont respectivement la
moyenne entre la valeur supérieure (respectivement la valeur inférieure) de la valeur
140
Chapitre 5 : RÉSULTATS
normale et la moyenne entre les deux seuils donnés par les cliniciens (
et
=
b+ (
a
+b )
2
=
a+ (
=2).
a
+b )
2
=2
Le domaine de validité est le même que précédemment. Il s'agit ici uniquement d'une
abstraction qualitative.
L'abstraction qualitative consiste en la classication des segments suivant les seuils déterminés par les experts.
On présente un exemple de résultats d'abstractions simples sur la gure 5.48.
Fig. 5.48:
Illustration de l'abstraction qualitative sur la fréquence respiratoire
du chier 0808TRA-AIM. Le graphe du haut représente l'étape 3 de l'abstraction, c'est à dire
les résultats après agrégation ; les lignes en tirets représentent les seuils de normalité donnés par les
experts (ici, 5 et 35 comme valeurs extrêmes de normalité). Le graphe du bas est la transformation en
valeurs symboliques. L'axe des abscisses représente le temps en secondes, ce qui correspond ici à la
totalité du chier soit à peu près 4 heures. Les bandes bleues correspondent à l'abstraction normal,
rouges à instable, vertes foncées anormal haut, vertes normal haut.
Synthèse
Les abstractions simples ont été construites paramètre par paramètre. Pour chaque paramètre, la méthode a été appliquée. Elle consiste en un processus basé sur la fusion des
informations et connaissances disponibles ; le processus est incrémental. Chaque étape est
visualisable et validable par les médecins. On peut même dire que la méthode repose aussi
sur la
visualisation des résultats. Ce parti pris est volontaire et repose sur l'idée que le
travail abstractif est dédié aux médecins pour faciliter la tâche de surveillance et qu'il est
donc tout à fait impératif de les faire participer et donc de leur montrer de façon pertinente
notre travail. Sur le graphe présenté aux médecins, il est ainsi possible de tester plusieurs méthodes (voir étape 1 pour la labellisation des points de mesure) et de tester plusieurs valeurs
de seuil (en particulier pour le seuil de variation pour l'agrégation). Ces interfaces donnent
la possibilité de zoomer une partie intéressante du signal et des abstractions correspondantes.
Sur la gure 5.49 sont représentées toutes les abstractions simples calculées pour les
six paramètres choisis d'un chier de sevrage sur la durée totale du chier (soit environ
quatre heures). Elles ont été calculées indépendamment les unes des autres et représentées
Chapitre 5 : RÉSULTATS
141
ensemble. Ce graphe représente alors le chier abstrait du patient choisi. Il permet de donner
un résumé de l'état du patient.
Fig. 5.49:
Illustration des abstractions simples sur tous les paramètres du chier
0808TRA-AIM. En ordonnées sont représentées les abstractions simples calculées pour les paramètres (du haut vers le bas) : fc, la fréquence cardiaque ; fR, la fréquence respiratoire ; VT, le volume
courant ; VM le volume minute ; SpO2 la saturation pulsée en oxygène et Pas la pression artérielle
systolique. L'axe des abscisses représente le temps en secondes, ce qui correspond ici à la totalité
du chier soit à peu près 4 heures. Les bandes bleues correspondent à l'abstraction normal, rouges
à instable, vertes foncées anormal haut, vertes normal haut, oranges anormal bas et jaunes
normal bas.
Sur cette gure (gure 5.49), est résumé le comportement de plusieurs paramètres du
patient considéré, soit l'état du patient. Ainsi, jusqu'au point 7000 environ, le patient est
à peu près stabilisé (la fréquence cardiaque, la pression artérielle et le volume courant sont
normaux mis à part quelques instabilités). On note cependant une fréquence respiratoire, un
volume minute (mais celui-ci est calculé grâce à la fréquence respiratoire) et une saturation
hautes. Ensuite, la saturation devient anormal bas ce qui est concomittent à une instabilité
globale sur les autres paramètres.
Cette analyse correspond globalement à l'interprétation des médecins. En eet, vers
le point 7000, le patient désature, et est donc replacé en ventilation mécanique d'où une
instabilité sur les paramètres respiratoires expliquée par la ré-adaptation du patient au
ventilateur et la nécessité de nouveaux réglages. Cependant, il n'est pas toujours possible
142
Chapitre 5 : RÉSULTATS
d'interpréter les faibles variations de comportements des paramètres. Nous verrons dans la
partie suivante, le problème de l'interprétation de ces zones.
5.3.2
Les abstractions complexes pour la reconnaissance d'événements
5.3.2.1
Deux phases dans la reconnaissance d'événements
Phase de reconnaissance
Il s'agit de reconnaître ces patterns locaux.
La phase de reconnaissance (par le biais des patterns locaux) s'attache à détecter trois
types de comportement : spike, oscillations et créneau (voir section 4.2.3.1 page 112). Suivant
le type d'événement que l'on souhaite détecter, les patterns sont instanciés (voir section
suivante). On reprend la gure 4.36.
Fig. 5.50:
Des comportements typiques reconnus grâce aux patterns.
Phase d'interprétation
Les patterns appliqués au paramètre de saturation pulsée en oxygène (SpO2) peuvent
être utilisés pour reconnaître une désaturation puisque un tel événement implique une importante chute de la SpO2 qui peut être instable (premier pattern avec
ou stable (second pattern). Le premier pattern avec un
D
m
D
t
et
D
m
élevés)
bas appliqué à ce paramètre
peut être utilisé pour reconnaître une déconnexion de capteur. Ceci correspond à une chute
brutale bien que les valeurs du paramètre avant et après la déconnexion ne changent pas.
Ce pattern appliqué à d'autres paramètres peut être employé pour détecter des spikes.
Par exemple, l'événement déconnexion de capteur est un événement externe qui peut
être détecté par un changement des valeurs du paramètre considéré. Cet événement est une
importante cause d'alarmes fausses positives. Un important événement interne à détecter
précocement est la désaturation qui induit une forte diminution de la saturation pulsée
en oxygène (SpO2). Ces événements ont été choisis à cause de leur impact clinique, de leur
fréquence d'occurrences et de la abilité du diagnostic. Un autre événement a été étudié que
143
Chapitre 5 : RÉSULTATS
nous appelons spike. Il s'agit d'une importante variation des valeurs brutes du paramètre
sur un court intervalle de temps. C'est un simple événement interne qui n'est pas lié à un
événement externe ou événement clinique.
En pratique, les phases de reconnaissance et d'interprétation sont imbriquées. La détermination des seuils sur les patterns pré-dénis se fait en fonction des événements que
l'on cherche. De cette façon, la phase d'interprétation est déjà présente dans celle de reconnaissance. Mais, ce choix pose quelques dicultés, en particulier pour la validation où il
serait juste de diérencier la reconnaissance de l'interprétation. La reconnaissance peut être
validée mais l'interprétation correspondant à l'événement reconnu, fausse.
Nous considérons les éléments suivants :
Les informations extraites Les segments correspondant aux abstractions avant l'étape
d'agrégation.
La connaissance
a priori
sur la sémantique et la dynamique temporelles Il s'agit
de connaissance sur le comportement du paramètre considéré pour les événements choisis. La longueur des segments, des intervalles entre les segments et la diérence entre
les moyennes des segments sont contrôlés suivant des modèles de patterns pré-dénis.
Remarquons que l'on considère ici, pour construire les abstractions complexes, les abstractions simples avant l'étape d'agrégation. En eet, cette étape permet de ltrer les petites
zones instables. Or, typiquement un spike ou une déconnexion correspond à des petites
zones instables qui sont suceptibles d'être ltrées durant la phase d'agrégation (puisque ces
événements peuvent être considérés comme des artéfacts par le procédé).
Nous allons à présent détailler chaque méthode pour reconnaître les événements répertoriés.
5.3.2.2
Trois événements à reconnaître
Reconnaître une désaturation
La désaturation correspond à une chute des valeurs du paramètre SpO2. Cette chute
peut être d'une durée variable, soit brusque soit plus lente. On dit classiquement qu'il y a
une désaturation lorsque le paramètre subit une baisse et atteint la valeur de 90%. Plusieurs
types de désaturation existent suivant qu'elles nécessitent ou pas une action thérapeutique.
Les désaturations nécéssitant une action thérapeutique sont qualiées de vraies désaturations ou de désaturations alarmantes. On discutera plus tard du fait que cette dénition
n'est pas exhaustive puisqu'une déconnexion du capteur est aussi une chute du paramètre
de SpO2.
Au vu de la construction des abstractions, on considère qu'une chute supérieure ou égale
à 2% est signicative. De plus, on considère une durée maximale de durée d'une désaturation
qui est de 20 minutes (voir gure 5.51). Ces seuils nous ont été donnés par les médecins.
Le seuil de durée est justié par le fait qu'une désaturation est un phénomène pathologique
très important et est symptomatique d'un patient mal ventilé ; le personnel soignant réagit
ainsi au plus vite (voir gure 5.51).
Le choix des deux seuils sur l'amplitude de la chute et la durée de l'épisode repose sur
des considérations médicales. Puisque la valeur de précision de la mesure de SpO2 est de
2%, on considère qu'une modication supérieure à 2% est signicative. Le seuil de durée de
l'épisode de désaturation de 20 minutes a été choisi après concertation avec les médecins ;
144
Chapitre 5 : RÉSULTATS
il correspond au temps maximal de réaction du personnel soignant sachant qu'une vraie
désaturation doit être traitée rapidement. En outre, nous avons construit notre système de
reconnaissance pour repérer le début d'une désaturation.
Fig. 5.51:
Deux patterns pour reconnaître une désaturation
Nous présentons ci-après deux exemples de reconnaissance de désaturation sur deux
chiers diérents. Nous avons mis en exergue les patterns permettant leur découverte (voir
gures 5.52 et 5.53)
Fig. 5.52:
Exemple de reconnaissance d'une désaturation stable. La désaturation
est reconnue sur l'intervalle [3952, 7564].
145
Chapitre 5 : RÉSULTATS
Fig. 5.53:
Exemple de reconnaissance de deux désaturations, l'une stable et
l'autre instable
Résultats de la reconnaissance des désaturations
Les résultats ainsi obtenus donnent
(étude sur huit chiers-patient) :
nombre de vraies désaturations expertisées : 4
nombre de vraies désaturations détectées à raison : 4 (mais deux désaturations détectées correspondent à une seule vraie. Celle-ci comprend deux chutes brutales qui ont
été reconnues chacune comme une désaturation)
nombre de désaturations détectées à tort : 3 (mais une correspond à une transitoire,
qui est une chute signicative mais qui n'est pas une désaturation)
La reconnaissance doit être anée an de diérencier les transitoires des désaturations
(et des déconnexions de capteur, comme nous le verrons plus tard). Etant donné le faible
nombre de vrais événements, la détermination plus ne de seuils est délicate.
Reconnaître une déconnexion du capteur de la SpO2
Une déconnexion du capteur de la SpO2 se traduit par une chute brutale des valeurs
numériques du paramètre. En général, un membre du personnel soignant replace rapidement
le capteur ; la durée de cet événement reste courte et après la remise en place du capteur,
les valeurs numériques du paramètre reprennent le niveau antérieur à la déconnexion. Par
conséquent, les moyennes des valeurs numériques n'ont pas de diérence signicative, mise
à part l'imprécision de la mesure qui est de 2% pour la SpO2. En cas contraire, le capteur
restant déconnecté un certain temps, la valeur de la SpO2 reste constante à un niveau bas
d'où une valeur de tendance stable et un écart-type correspondant nul. Après la remise en
146
Chapitre 5 : RÉSULTATS
place, les valeurs numériques de la SpO2 ne sont pas forcément les mêmes d'où la prise en
compte d'une diérence supérieure au seuil d'imprécision de la SpO2 au niveau des moyennes
(voir gure 5.54).
Fig. 5.54:
Deux patterns pour reconnaître une déconnexion du capteur de SpO2.
Nous présentons à présent un exemple de reconnaissances d'une déconnexion de l'oxymètre de pouls (voir gure 5.55). Nous verrons plus tard l'interprétation des médecins.
Fig. 5.55:
Exemple de reconnaissance de plusieurs déconnexions. En tout, sont re-
connues quatre déconnexions, trois avec le premier pattern (rectangles noirs) et une avec le second
(rectangle blanc).
Résultats de la reconnaissance des déconnexions de l'oxymètre de pouls
l'ensemble des chiers, les résultats donnent (étude sur huit chiers-patient) :
nombre de déconnexions de l'oxymètre de pouls expertisées : 11
nombre de déconnexions détectées à raison : 7
Sur
147
Chapitre 5 : RÉSULTATS
nombre de déconnexions détectées à tort : 7 (mais trois correspondent à une transitoire
et à deux désaturations non alarmantes)
Les mêmes remarques que pour la reconnaissance de désaturations sont valables. On
remarque que trois événements sont reconnus mais mal interprétés.
Reconnaître un spike
Un spike se caractérise par un changement brusque de valeur ; il est reconnu donc par
une zone instable de courte durée entourée par deux zones stables de moyennes équivalentes
avant et après. Étant donné que l'on considère les moyennes, on prend comme durée courte
une durée de 600 secondes ou 10 minutes (voir gure 5.56).
Fig. 5.56: Un pattern pour reconnaître un spike
Dans la gure ci-après (voir gure 5.57), nous présentons un exemple de reconnaissance
de spike sur le paramètre fréquence respiratoire.
148
Chapitre 5 : RÉSULTATS
Fig. 5.57:
Exemple de reconnaissance de plusieurs spikes. En tout, sont reconnus trois
spikes.
Nous n'avons pas pu quantier les résultats de la reconnaissance de spikes puisqu'ils
ne correspondent pas à un événement externe. Ceci dit, une étude approfondie pourrait
permettre une correspondance entre plusieurs spikes et des événements externes (voir
section 5.4.2.2).
Choix des seuils sur les patterns ?
Les diérents seuils sur les patterns ont été fournis grâce à la connaissance experte.
Néanmoins, d'autres valeurs de seuil ont été testées an d'évaluer la robustesse du choix
proposé.
Pour la reconnaissance de l'événement désaturation, il en ressort que :
Si l'on prend un seuil inférieur à 2, l'algorithme reconnaît une désaturation là où
il s'agit plutôt d'un spike (voir chier 1804CHA1-ssNaN), ce qui est tout à fait
explicable puisque'il s'agit d'un chute brusque avec une diérence de moyennes entre
les deux zones stables faible (elle est inférieure au seuil de précision de 2%).
Par contre, plus on considère un seuil haut, moins l'algorithme reconnaît des désaturations, ce qui est logique.
Ainsi, au vu de ces résultats et d'après l'avis des experts, le choix du seuil à 2% nous
paraissait pertinent.
Les mêmes remarques sont valables pour les seuils sur les patterns pour les autres événements. Le choix des diérents seuils semble alors approprié même si l'on ne peut faire
d'étude statistique. Néamoins, un anement de ces seuils permettrait éventuellement de
Chapitre 5 : RÉSULTATS
149
discriminer certains événements.
Synthèse
Les abstractions complexes ont elles aussi été construites paramètre par paramètre. Pour
chaque paramètre, la méthode a été appliquée. Elle consiste en un processus basé sur la fusion
des informations et connaissances disponibles ; le processus est incrémental. Les résultats
sont visualisables sur une interface graphique. Ces abstractions complexes permettent de
reconnaître des événements internes. Cependant, elles ne sont pas toutes interprétables ; par
exemple, les spikes ne correspondent pas à des événements externes ou cliniques même si
il semble que lorsque le patient tousse ou est aspiré, il y a une co-occurence de spikes sur
les paramètres respiratoires. On voit ici la limite d'une analyse mono-paramétrique ; il est
nécessaire de passer à une analyse multi-paramétrique.
5.3.3
Représentation des abstractions simples et complexes
Nous reprenons la gure 5.49 de la page 141 sur laquelle sont représentées les abstractions simples et nous rajoutons les événements détectés grâce aux abstractions complexes
(voir gure 5.58). Ces dernières permettent d'aner la description de l'état du patient. Par
exemple, on peut voir la survenue de la désaturation. Elle a engendré des modications de
comportements des autres paramètres (les bandes ont changé de couleur) et des spikes
sont apparus sur les paramètres ventilatoires et la pression, ce qui semble correspondre à
une mauvaise adaptation du patient au mode ventilatoire. Par contre, la survenue de la
désaturation ne peut être expliquée au vu de ce graphe.
150
Chapitre 5 : RÉSULTATS
Fig. 5.58:
Illustration des abstractions simples et complexes sur un chier entier
de sevrage. Les bandes de couleur représentent les abstractions simples pour les 6 paramètres
(HR, la fréquence cardiaque ; RR, la fréquence respiratoire ; TV, le volume courant ; MV le volume
minute ; SpO2 la saturation pulsée en oxygène et SAP la pression artérielle systolique) calculées
sur la totalité du chier soit à peu près 4 heures. Les bandes bleues correspondent à l'abstraction
normal, rouges à instable, vertes foncées anormal haut, vertes normal haut, oranges anormal
bas et jaunes normal bas. Les événements détectés par les abstractions complexes sont représentés
en noir. Les rectangles en trait plein (vers les points 2000, 8500, 10500 et 11000) sur la SpO2
représentent les déconnexions du capteur. Ceux en étoiles (points 6500 à 7500 à peu près) sur
la SpO2 représentent un épisode de désaturation. Enn, les rectangles en pointillés sur les autres
paramètres symbolisent des spikes.
5.4 Validation des abstractions
La validation des abstractions, qu'elles soient simples ou complexes, repose principalement sur l'interprétation des médecins grâce à une interface graphique . Actuellement, il est
très dicile de faire une validation objective car :
Peu de données sont disponibles.
Par conséquent, peu d'événements spéciques sont référencés dans les chiers disponibles.
L'interprétation des experts n'est pas objective et non susamment formalisable pour
151
Chapitre 5 : RÉSULTATS
pouvoir qualier les événements détectés ou à détecter.
Dans la littérature, il n'y a quasiment pas de système objectif de validation des abstractions. Dans le système VIE-VENT (voir section 3.3.2.3), les auteurs construisent le procédé
d'abstraction en parallèle du système de validation [Horn et al., 1997]. Mais il s'agit de la
validation des données utilisées lors du processus d'abstraction et non pas de validation du
système d'abstraction.
Puisque la validation des abstractions est délicate, elle a été envisagée dès le début du
processus d'abstraction selon deux types de contrôle. Un contrôle a priori a été eectué
grâce à la détermination de domaines de validité. Un contrôle a posteriori a permis de
valider chaque étape de l'abstraction et les résultats du processus global d'abstraction des
données. Celui-ci a été assuré par visualisation.
Nous allons étudier la validation sur les deux types d'abstraction : les abstractions simples
et les abstractions complexes.
5.4.1
5.4.1.1
La validation des abstractions simples
Contrôle
a priori
des abstractions simples
Le contrôle a priori a consisté à ne prendre en compte que des données considérées
comme valides. Cette notion de validité est basée sur la manipulation de diérents éléments,
données, informations et connaissances. Par ailleurs, elle est assurée par le choix des tendances que nous avons eectué. Nous proposons ci-après une comparaison des résultats des
abstractions obtenus avec un autre mode de calcul de tendances (eectué dans le cadre du
projet OSSCAR).
Il consiste en une méthode de segmentation [Becq, 2000]. Les tendances obtenues n'ont
pas la notion de stabilité/instabilité. Il s'agit uniquement d'informations typiques de tendances : diminué, augmenté et constant qui sont calculées sur des fenêtres xes dont la
longueur dépend de la dynamique du paramètre.
Comparaison des abstractions simples suivant la nature des tendances
Nous
avons testé notre méthode d'abstraction avec ces tendances.
La gure 5.59 présente les résultats des deux méthodes d'extraction de tendances et les
abstractions correspondantes.
152
Chapitre 5 : RÉSULTATS
Fig. 5.59:
Illustration et comparaison de l'abstraction sur la SpO2. Le graphe du
haut représente les données brutes. Les deuxième et troisième (en partant du haut) représentent
les données ltrées par les méthodes de segmentation et de calcul de l'échelle caractéristique. Les
quatrième et cinquième correspondent aux tendances calculées par les deux méthodes. Sur l'axe des
ordonnées de ces deux graphes, 0 représente diminue, 1 pour constant, 2 pour augmenté
et 3 pour instable. La première n'a pas de calcul de tendances instables. Les sixième et septième
correspondent aux abstractions calculées pour chaque méthode. Les bandes bleues correspondent à
l'abstraction normal, rouges à instable, vertes foncées anormal haut, vertes normal haut,
oranges anormal bas et jaunes normal bas.
La méthode de segmentation n'aboutissant pas à la notion d'instabilité, les abstractions
que nous avons calculées à partir de ces tendances, n'apportent pas cette information d'où
l'absence de zones d'instabilité (il n'y a pas de zones rouges voir graphe 6 en partant du
haut de la gure 5.59). A la lecture du signal brut, on voit ainsi que les zones où il a l'air de
se passer quelque chose sont ltrées (voir par exemple au niveau du point 2000 où le signal
brut chute brusquement, ce qui est totalement ltré par les abstractions obtenues à partir
de la méthode de segmentation). Les abstractions obtenues à partir de la méthode du calcul
de l'échelle caractéristique semblent plus informatives.
Pour une comparaison de ces deux méthodes de calcul de tendances (ce qui n'est pas
notre sujet) et leur utilisation dans le processus d'abstraction présenté dans ce travail de
thèse, on peut se référer au papier [Chambrin et al., 2003]
41
41
Pour les abstractions complexes, on peut noter dès à présent que l'utilisation des tendances calculées par
la méthode de segmentation dans le processus d'abstraction ne permet de reconnaître que les désaturations.
153
Chapitre 5 : RÉSULTATS
Les abstractions simples obtenues avec l'aide des tendances symboliques ayant
un seuil de stabilité/instabilité xe
L'extraction de tendances symboliques reposait
initialement sur un seuil xe (pendant toute la durée d'acquisition des données) pour qualier
les notions de stablité/instabilité (voir section 5.2.2).
Un exemple de résultats des abstractions obtenus est donné sur la gure 5.60.
Fig. 5.60:
Ilustration des abstractions calculées à partir des tendances ayant un
seuil xe de stabilité/instablité sur le chier 0808TRA.
A première vue, on peut remarquer que les zones instables (en rouge) sont nombreuses.
Si l'on compare avec les résultats des abstractions calculées à partir de tendances ayant un
seuil variable (voir gure 5.58 de la page 150), il est clair que ces zones instables ne sont
pas signicatives. Les abstractions obtenues sont nettement moins pertinentes puisqu'elles
impliquent des informations non signicatives.
Le calcul de seuils de stabilité/instabilité non xes (comme il est pratiqué à présent
dans la méthode d'extraction de tendances
42 ) est une amélioration dans la construction des
abstractions.
5.4.1.2
Contrôle
a posteriori
des abstractions simples
Le contrôle a posteriori est assuré par le fait que chaque étape est validé par les experts
avant son utilisation dans l'étape suivante.
La validation des abstractions est basée sur la connaissance experte, et se fait grâce à
l'interface graphique qui est présentée aux experts. Elle a été envisagée tout au long du
processus incrémental d'abstraction. Toutes les étapes de l'abstraction ont été validées de
cette manière.
En eet, ces tendances ne donnant pas la notion d'instabilité, les patterns ou abstractions complexes ne
peuvent être reconnus sauf un. Il s'agit du pattern qui permet la reconnaissance d'un créneau sans zone
instable qui peut être interprété comme une désaturation (voir [Chambrin et al., 2003]).
42
Nous tenons à diérencier ici ces seuils de ceux utilisés dans la transformation numérique/symbolique
lors de l'abstraction qualitative qui sont xés pour toute la durée du protocole (voir chapitre 5.3.1.4). Ces
seuils sont xes car même si le paramètre considéré change de comportement, il reste dans une bande de
valeurs similaires.
154
Chapitre 5 : RÉSULTATS
Les résultats naux sont donnés sous la forme d'un graphe synthétique et lisible facilement. Il permet la visualisation des abstractions calculées sur tous les paramètres. Une
bande de couleurs caractérise chaque paramètre sur la durée totale du chier. Chaque bande
est constituée de plusieurs parties de couleur diérente. La couleur correspond au symbole
de l'abstraction (normal, normal mais haut). La longueur de chaque partie correspond à
l'intervalle temporel sur lequel l'abstraction repose (voir gure 5.49 page 141).
Globalement, le système a été validé par les experts comme un bon moyen de résumer
des données.
5.4.2
La validation des abstractions complexes
Le problème est ici particulièrement délicat. De manière à mettre en évidence ce problème, nous détaillons la façon dont on peut valider les résultats avec les experts chier par
chier. Puis, nous tenterons d'en tirer, grâce à l'étude de l'ensemble des chiers, des considérations générales et d'en dégager les dicultés propres à la validation des abstractions
dans ce domaine.
5.4.2.1
Contrôle
a priori
des abstractions complexes
Les abstractions complexes sont construites à partir des abstractions simples qui ont été
validées au préalable par les experts. Il n'y a pas à proprement parler de contrôle a priori
spécique aux abstractions complexes.
Ici, seul le contrôle a posteriori est considéré. Il consiste comme précédemment à la
visualisation des résultats.
5.4.2.2
Contrôle
a posteriori
des abstractions complexes
Nous nous appuyons sur l'exemple du chier présenté précédemment. Nous rappellerons
les événements détectés.
Le contrôle a posteriori repose sur la visualisation des résultats par les experts. Il est
remarquable de noter ici, le besoin des experts de se rapporter au chier événements an
de compléter et d'aner leur interprétation (voir par exemple l'illustration de la gure
5.61). Nous terminerons cette section par une discussion sur la reconnaissance d'événements
spéciques.
Rappel
Le processus d'abstraction que nous avons élaboré détecte une désaturation vers 7000.
Quatre épisodes de déconnexion du capteur de
SpO2 sont détectés (vers les points 2000, 8300,
10600 et 11200 ) (voir gure 5.61). Plusieurs spikes sont détectés sur les autres paramètres.
Validation de la reconnaissance des événements externes
Nous allons tout d'abord étudier la validation des résultats de reconnaissance des désaturations et des déconnexions.
Chapitre 5 : RÉSULTATS
155
Trois médecins ont relu les signaux par périodes successives de 30 minutes. Pour la
SpO2 : au temps 2080 secondes, il y a une modication transitoire qui peut être dûe à une
aspiration. Le même épisode est présent au temps 7000 mais il dure un peu plus longtemps
que le premier puis il est suivi par un vrai épisode de désaturation qui commence en 7500
et se termine en 9000.
La méthode d'abstraction a permis la détection de la désaturation. Cependant la déconnexion au point 7000 n'est pas identiée, elle est agrégée avec le début de la désaturation.
La n de la désaturation est détectée comme une déconnexion (point 8500 environ).
Validation de la reconnaissance de l'événement spike
L'événement spike correspond à une variation brusque sur un temps court du paramètre
considéré. Pour cela, il nous a paru pertinent de le comparer aux événements de toux et
d'aspiration du patient qui peuvent induire des comportements similaires aux spikes sur
les paramètres de mécanique ventilatoire.
Nous avons sélectionné ainsi quelques événements intéressants présents dans le chierévénements (et donc annotés pendant l'acquisition des données) que l'on a mis en correspondance avec les abstractions (voir gure 5.61). Ces événements annotés et placés sur le
graphe sont :
Sur la ligne suctionning sont représentés le début et la n du protocole de sevrage.
T signie la mise en pièce en T du patient et F l'échec du protocole. Le patient
est alors remis sous ventilation mécanique.
Sur la ligne TFP on SpO2 sont représentées les occurences des alarmes techniques
de SpO2 ; elles sont généralement liées à des déconnexions du capteur.
Sur la ligne cough, sont représentées les occurences de toux du patient.
Sur la ligne suctionning, sont notées les aspirations qu'a subies le patient.
Rappelons que ces événements ont été notés par un observateur au lit du patient et qu'ils
ont été repris tels quels ; il peut donc y avoir des problèmes de décalage des chiers, des
oublis ou même des erreurs.
156
Chapitre 5 : RÉSULTATS
Fig. 5.61: Illustration des abstractions simples et complexes sur un chier entier de sevrage et représentation de quelques événements tirés du chierévénements. Sur la ligne suctioning, T signie la mise en place de la pièce en T et F
l'échec du protocole et donc la remise en place de la ventilation mécanique contrôlée.
Nous remarquons que les spikes sur les paramètres respiratoires (RR, TV et MV)
peuvent eectivement correspondre à des aspirations mais une étude plus précise mériterait
d'être faite.
Dans le cas des désaturations, nous avons clairement opté pour la reconnaissance des
vraies désaturations. Cet exemple nous a permis de mettre en avant quelques points intéressants et en particulier la diculté d'une validation pertinente dans le sens objectif du
terme.
5.4.2.3
Discussion sur la reconnaissance d'événements spéciques
Les résultats présentés dans la section 5.3.2.2 sont mitigés :
1. La reconnaissance des déconnexions n'est pas très performante (7/14).
2. L'interprétation des événements n'est pas toujours très pertinente (3/7 événements
détectés comme des déconnexions sont d'autres événements interprétables).
Nous devons faire face à plusieurs dicultés :
Deux événements cliniques peuvent être détectés comme un seul événement.
157
Chapitre 5 : RÉSULTATS
Un événement clinique peut être détecté comme plusieurs événements.
Comment diérencier les événements alarmants des non alarmants (un événement non
alarmant est plus dicile à détecter car il n'est pas ou moins persistent) ?
...
Comment valider les résultats alors que l'interprétation n'est pas objective ?
Nous devons discerner les vraies désaturations, c'est à dire celles qui impliquent un geste
thérapeutique de la part du médecin et qui sont donc révélatrices d'un véritable problème
au niveau du patient (elles sont synonymes d'un échec du protocole de sevrage) de celles
qui correspondent simplement à une baisse du paramètre mais qui ne sont pas qualiées
d'alarmantes. Notre système permet de reconnaître les premières mais a des dicultés pour
les secondes qui peuvent être confondues avec des déconnexions ou pas du tout reconnues.
On voit bien ici qu'il y a deux sortes de problème :
1. reconnaître des événements,
2. les interpréter de façon juste.
Le second point est très délicat et nécessite bien souvent une
analyse multi-paramétrique.
D'ailleurs lorsque les médecins relisent les signaux, s'ils détectent un événement sur un signal, ils vont se reporter sur les autres. Suivant l'analyse des autres signaux, ils pourront
alors qualier et interpréter l'événement.
5.5 Des résultats très préliminaires de la découverte de règles
Nous nous sommes inspirés des travaux de Bellazzi et al [Bellazzi et al., 2003] (voir
section 3.9.4.2 de la page 85). Nous considérons uniquement les co-occurrences d'états et
dénissons le support d'un pattern comme l'intersection des supports de la prémisse et de
la conclusion ; ceux-ci correspondant aux longueurs de chaque état considéré.
Quelques résultats sont présentés sur la gure 5.62.
Fig.
5.62:
Exemples
RR anormal bas
)
)
S pO2 normal haut
de
règles
S pO2 instable.
RR instable.
extraites
Règle 2 :
avec
RR normal
deux
)
mesures.
S pO2 normal haut.
Règle
1
:
Règle 3 :
La mesure de conance est comprise entre 0 et 1 contrairement
à la conance causale qui est comprise entre -1 et 1 [Kodrato, 2000].
158
Chapitre 5 : RÉSULTATS
Après discussion avec les experts, il apparaît que seule la première règle est correcte, la
deuxième n'a pas d'intérêt clinique et la troisième est fausse. La mesure de conance causale
permet de rejeter la troisième règle mais échoue à séparer les deux premières.
La recherche de règles d'association à partir d'intervalles est un problème NP-complet
[Bellazzi et al., 2003]. L'étude des co-occurrences d'états peut être une alternative implémentable facilement et rapidement. Néanmoins, la dimension temporelle n'est pas prise en
considération de façon pertinente dans notre contexte. En particulier, la durée de la conclusion de la règle n'est pas prise en compte dans le calcul des probabilités. Nous avons utilisé
les mesures de conance standard et causale pour mesurer l'intérêt des règles. Les résultats mitigés que nous obtenons indiquent que les dénitions des mesures et du support ne
sont pas appropriées. L'utilisation de dénitions adéquates pour le support et les mesures
d'intérêt des règles temporelles devraient être introduites. En outre, les situations cliniques
sont caractérisées par un ensemble de paramètres, rarement par un seul. Une conjonction
de conditions devrait apparaître dans la prémisse des règles d'association.
Seules les relations entre les abstractions simples ont été étudiées. Mais, des relations
entre les abstractions simples et les événements détectés ou même entre les événements euxmêmes (par exemple, les spikes non reliés à un événement externe) pourraient être étudiées.
Chapitre 5 : RÉSULTATS
159
Dans ce chapitre, nous avons présenté dans un premier temps, les éléments
choisis pour la construction du processus. Ensuite, les résultats obtenus pour
l'abstraction de données et la découverte de règles.
Pour l'abstraction de données, chaque étape a été détaillée :
Pour les abstractions simples : la détermination des domaines de validité,
la caractérisation des intervalles de stabilité, l'agrégation des segments et
l'abstraction qualitative avec à chaque fois un support graphique pour la
validation par les experts.
Pour les abstractions complexes : deux phases dans la reconnaissance d'événements ont été présentées, la reconnaissance et l'interprétation. Ensuite,
les modèles de patterns ont été instanciés an de reconnaître trois événements.
Les résultats des abstractions simples sont prometteurs. Quant aux résultats
des abstractions complexes, ils sont plus mitigés, en particulier à cause de la
diculté d'interprétation des résultats de la reconnaissance des événements.
Pour la découverte de règles, les résultats sont faibles. Ceci est dû principalement à une méthode peu développée.
160
Chapitre 5 : RÉSULTATS
DISCUSSION
Nous avons présenté une méthode générale d'extraction de connaissances, en l'occurrence
de scénarios décrivant le comportement de patients en USIs. Cette méthode repose sur
un processus de fusion. Nous avons distingué deux étapes : abstraction des données et
fouille de données. Cette dernière permet, une fois que les caractéristiques extraites sont
validées/interprétées, d'extraire de la connaissance.
LA MÉTHODOLOGIE GLOBALE D'EXTRACTION DE CONNAISSANCE
Particularités de la surveillance en USIs
Le travail de cette thèse se situe dans le cadre général d'aide à la surveillance de patients
en USIs. Ce domaine est tout fait particulier et comporte de nombreuses dicultés :
1. Des données complexes par nature : haute dimension, ambiguïté, imprécision et incertitude.
2. Des données rares : obtenir des données de patients en USIs en grande quantité et
dans un contexte bien déni est un enjeu important mais très dicilement réalisable.
3. Des connaissances dicilement formalisables.
Ces caractéristiques poussent à développer des systèmes de surveillance originaux, pertinents et adaptés à de telles contraintes. L'informatisation de protocoles et la construction
de scénarios vont dans ce sens. Il n'y a pas de méthode bien dénie pour leur réalisation.
Un des objectifs de cette thèse est de clarier chaque étape qui mène à la construction de
scénario et de faciliter la mise en place de protocoles informatisés.
Extraction de connaissances et fusion ?
Le travail de cette thèse s'est focalisé sur la construction d'abstraction de données an
de les transformer en termes proches des discours médicaux. L'objectif était d'impliquer les
médecins tout au long du processus, de pouvoir les aider à expliciter leurs connaissances au
travers des abstractions, de dégager des connaissances directemement lisibles, compréhensibles par eux. La représentation de connaissances sous forme de règles entre dans un tel
162
DISCUSSION ET PERSPECTIVES
cadre.
La complexité des données et l'incomplétude des connaissances nous ont poussés à développer un système incrémental et basé sur la fusion combinant les données, les informations
et les connaissances. Nous avons déni plusieurs types de fusion : les fusions temporelle, sémantique et multi-sources. Ils permettent de contrôler les diérents niveaux du processus
d'extraction de connaissances. Nous avons dégagé deux principales étapes : l'abstraction et
la fouille des données.
L'abstraction
de données est dénie comme un processus incrémental, combinant don-
nées, informations et connaissances de diérentes manières. La robustesse de l'abstraction
est renforcée par l'interaction avec les experts pour contrôler chaque étape de l'abstraction.
Dans la littérature, l'abstraction des données temporelles repose sur la fusion temporelle.
Nous avons mis en exergue le fait qu'elle doit être multi-niveaux et basée aussi sur de la
fusion sémantique.
La
découverte de règles semble un moyen rapide et ecace d'obtenir des relations
entre intervalles décrivant le comportement dynamique du patient ou du moins celui d'un
ensemble de paramètres (voir par exemple [Bellazzi et al., 2005]). La découverte de règles à
partir de données temporelles repose sur de la fusion temporelle, de la fusion multi-sources.
Elle peut aussi être envisagée selon un procédé de fusion sémantique. Cette dernière n'a pas
été envisagée dans ce travail de thèse. La recherche de règles s'est focalisée sur la recherche
de liens entre des informations de mêmes niveaux d'interprétation (les états correspondant
aux abstractions simples). Ceci dit, la découverte de règles n'a pas été étudiée en profondeur.
Il en est ressorti, tout de même plusieurs points :
(1) La diculté de la prise en compte du temps avec des données intervalles.
(2) La nécessité de dénir le support pertinent.
La
formalisation de la fusion (dénie dans ce travail) nécessiterait d'être approfon-
die. En particulier, les quatre étapes de modélisation, estimation, combinaison et décision
devraient être étudiées.
La découverte de connaissances pour aner les abstractions
Nous pouvons comparer l'extraction de connaissances à un
cercle vertueux : La
connaissance découverte ane l'abstraction des données, celle-ci permettant de rendre les
données plus informatives, ce qui peut améliorer à son tour la connaissance découverte, etc.
Pour ce faire, nous avons tenté de disséquer le processus an d'en dégager tous les
aspects.
L'intérêt d'une telle approche est de poser clairement (ou de s'y approcher) les problématiques associées :
(1) Dénir les concepts manipulés : données, informations, connaissances.
(2) Déterminer le rôle de ces concepts dans le processus.
DISCUSSION ET PERSPECTIVES
163
PROBLÉMATIQUE DE LA VALIDATION
Une interprétation subjective
Une validation objective des résultats semble peu réalisable. Elle dépend essentiellement
des experts et de leur interprétation qui est dicilement formalisable. La validation ne peut
qu'être subjective et sujette à quelques approximations. Mais cela est-il forcément préjudiciable ? Est-il capital de savoir que la zone de normalité d'un paramètre quelconque s'arrête
à tel instant avec une précision de la seconde ? Il y a là un véritable problème de dénition
du niveau d'interprétation. Dans ce contexte là, une méthode incrémentale avec discussion
avec les experts à chaque étape peut permettre de trouver non pas le bon niveau d'interprétation mais celui estimé comme étant susamment informatif.
Les résultats des abstractions simples sont satisfaisants mais ceux des abstractions complexes sont mitigés. La validation de la reconnaissance d'événements propre (voir la discussion de la section 5.4.2.3 de la page 156) met en évidence deux sortes de problème :
La reconnaissance de comportements.
Leur interprétation qui permet éventuellement de les qualier d'événements signicatifs d'un point de vue clinique.
On rejoint ici les problèmes d'une validation subjective.
En outre, la faible quantité d'événements dans les chiers patients à disposition met à
mal toute validation.
Dépendance vis-à-vis des informations
La méthode que nous avons proposée repose sur la combinaison d'informations, et de
connaissances, en particulier sur l'obtention de tendances spéciques. L'abstraction des
données repose sur la conception de domaines de validité basée sur les notions de stabilité/instabilité des tendances.
Il en ressort une critique de la méthodologie : sa dépendance à une méthode d'extraction
de tendances. Par ailleurs, la méthode envisagée n'est pas forcément validée ou validable. Un
moyen de validation serait la construction complète du processus d'extraction de scénarios
et de considérer que la validation des scénarios découverts permet la validation du système
complet et donc des abstractions (états et événements) et tendances associées.
PERSPECTIVES
Plusieurs axes de recherche découlent de ce travail.
Poursuivre dans cette voie
Les résultats de l'abstraction semblent prometteurs. Néanmoins, il reste quelques points
à éclaircir :
(1) Tester la méthode sur plus de données,
(2) Développer, approfondir la détection de patterns et leur interprétation.
164
DISCUSSION ET PERSPECTIVES
Ce n'est pas tant le nombre de données qui compte que le nombre d'événements ou
de scènes typiques qui est important. Un nombre accru de cas typiques de situations à
reconnaître permettrait dans un premier temps d'étudier plus en profondeur la méthode
proposée dans cette thèse. Pour cela, une masse de données susante doit être disponible
et obtenue dans des conditions bien dénies et maîtrisées.
Extraire des scénarios par fusion oblique
La
fusion oblique est une combinaison des trois types de fusion cités précédemment.
Elle a pour principe de combiner plusieurs niveaux d'interprétation de plusieurs données, à
plusieurs instants an d'améliorer le processus de décision.
On peut envisager ce procédé de deux manières :
(1) Soit comme nous espérions le faire grâce au procédé d'extraction de connaissances
globalement incrémental, dit du cercle vertueux. Les connaissances découvertes permettraient d'aner l'abstraction, d'où une étape nouvelle dans l'espace de fusion au
niveau de l'interprétation des données. Cependant, on est très vite limité par la représentation des données adoptée lors de la transformation. Les méthodes de fouille
doivent s'adapter à cette représentation qui est préjudiciable comme nous l'avons vu
au cours de ce travail de thèse.
(2) Soit directement en envisageant la fusion oblique dès le début du processus.
Ce dernier type d'approche est envisagé dans les travaux de Thomas Guyet qui commence
une thèse au sein de notre équipe [Guyet, 2004].
Développer les aspects visualisation
Les aspects visualisation de l'abstraction de données et de la fouille ont été évoqués sans
rentrer dans les détails. Cet aspect dans notre méthode d'abstraction a été pris en compte
dans la présentation des résultats pour faciliter leur validation par les experts. Ceci dit, il
n'a pas été développé à un niveau supérieur. La visualisation des abstractions est pertinente
pour deux points :
Une représentation lisible des abstractions par les médecins qui permet une validation éventuelle.
L'obtention de connaissances expertes pour la construction de patterns ou scénarios
par la connaissance experte.
ANNEXES
43
43
Les annexes A à I sont reprises des compte-rendus des réunions du sous-projet qui ont été rédigés par
Marie-Christine Chambrin.
Annexe A
Protocole de recueil des données
Protocole
Le
recueil s'eectue en continu et en temps réel au lit du patient sans interférer avec les
protocoles de soins. A l'hôpital de Lille (CHRU), le recueil des paramètres physiologiques
s'eectue à partir du moniteur cardio-vasculaire et du ventilateur connectés à un micro
ordinateur par liaison RS232.
Sur le même micro-ordinateur, la personne en charge du protocole documente les données
à partir d'une interface conçue pour entrer les informations.
A l'hôpital de Lyon (CHU Lyon Sud, Hospices Civils de Lyon), le recueil des signaux
physiologiques s'eectue à partir du moniteur cardio-vasculaire et d'un boîtier de capteurs
de pression et de débit connectés au système Biopac MP1000. Le logiciel AcqKnowledge est
utilisé pour l'acquisition et le stockage des signaux. Les données sont documentées à l'aide
de ce même logiciel (journal de bord).
Les patients
Tout patient éligible pour la période de sevrage ou d'arrêt de sédation.
A Lille, un nom de chier unique est généré par le système en fonction des 3 premières
lettres du nom et de la date du jour. Le procédé utilisé pour la génération du nom de chier
n'est pas réversible : il n'est pas possible de retrouver le nom du patient ou la date à partir
du nom du chier.
A Lyon, le nom du chier est constitué de quatre chires correspondant au jour et au
mois du recueil et des trois premières lettres du nom du patient JJMMNNN.* (* prend la
valeur acq pour les données et txt pour les commentaires)
Durée de l'acquisition
Les données sont acquises le matin dès que la décision de mettre en place une procédure
de sevrage ou d'arrêt de la sédation est prise. Les données sont acquises et documentées une
heure avant la mise en place eective de la procédure de sevrage ou d'arrêt de la sédation.
Les données sont acquises et documentées au moins trois heures après la mise en place
eective de la procédure considérée.
En résumé, le déroulement du recueil s'eectue selon le schéma ci dessous :
Sauvegarde des données
Les données sont archivées sur le poste de recueil des données. Elles sont ensuite dupliquées sur un serveur de données.
168
Annexe A : Protocole de recueil des données
Fig. 63: Le protocole de recueil de données
Critères d'inclusion
Tout patient ventilé pour lequel une décision relative à l'une des phases suivantes a été
établie : sevrage (période d'extubation) ou arrêt de la sédation.
Matériels et Méthodes de mesure
La nature des informations recueillies est la même pour les deux services, bien que les
moniteurs disponibles et les moyens de recueil soient diérents. Une feuille de recueil sera
établie pour chaque observation selon le modèle joint en annexe B. La liste des paramètres
qui seront conservés dans la base de données est fournie en annexe C. Une description des
matériels disponibles et des moyens de recueil est présentée ci dessous pour chacun des
services.
Descriptif des moyens mis en oeuvre à Lille
Moniteur cardio-vasculaire de type SpaceLabs UCW
Les données prises en compte sont celles délivrées sur le port de sortie pour l'imprimante. Il s'agit d'une liaison de type RS232, délivrant les données à une période réglable
par l'utilisateur. Les caractéristiques techniques sont fournies en annexe D.
Les données sont de deux types : les valeurs des paramètres physiologiques et les messages
d'alarme. Les paramètres disponibles sont fonction des modules de surveillance activés :
le module ECG : fréquence cardiaque, nombre d'anomalies
le module pression : pression systolique, diastolique et moyenne
le module SpO2 : saturation en oxyhémoglobine, fréquence cardiaque
le module de capnographie (optionnel) : PetCO2, fréquence respiratoire
Ventilateur de type Dräger (Lubeck, Allemagne) : Evita, Evita2, Evita4
Les données prises en compte sont celles fournies sur la sortie RS232 et utilisant le
protocole LUST. Les principales caractéristiques sont reprises en annexe E. Les données
fournies sont de plusieurs types : les valeurs des paramètres, les paramètres de réglage et les
messages d'alarme.
Plate-forme d'acquisition
Il s'agit d'un logiciel conçu à Lille [Jaborska, 2000] fonctionnant sur tout type de PC
sous Linux.
169
Annexe A : Protocole de recueil des données
Principales fonctionnalités du logiciel
Au lancement l'application détecte la présence
du matériel connecté au travers des liaisons de type RS232C. L'acquisition des données
s'eectue dès que l'appareil a été détecté, sur la base d'une acquisition toutes les 5 secondes.
L'opérateur dispose de trois modules principaux :
un module de visualisation des données
un module permettant d'entrer les modications intervenant dans l'environnement du
patient (voir annexe F)
un module permettant la sauvegarde des données sur disquette sous un format compressé an de pouvoir les transférer sur une autre machine en vue de leur traitement
hors ligne.
Description du matériel
Conguration minimum : Système Linux 2.2, Processeur Pen-
tium 133 Mhz, 32 Mo RAM, 1,2 Go de disque dur, utilisation des ports séries intégrés (2),
moniteur de bureau 14 ou 15 pouces, Pointage par souris
Descriptif des moyens mis en oeuvre à Lyon
Moniteur cardio-vasculaire de type Datex 1606
Les signaux correspondant à l'électrocardiogramme (ECG), à la pression artérielle invasive (PA), à la pléthysmographie de pouls SpO2, ainsi que des signaux analogiques correspondant à la valeur du rythme cardiaque et de la saturation en oxygène de l'oxyhémoglobine
sont disponibles sur un connecteur 48 broches situé en face arrière du moniteur (digital and
analog I/O connector sur la partie UPI X2). Ce connecteur est relié par un câble au système
d'acquisition MP100 de Biopac.
Ventilateur de type Dräger (Lubeck, Allemagne) : Evita2, Evita4 et ventilateur
Horus (TAEMA, Antony, France)
Un capteur de débit (Hamilton Medical) est mis en place sur le circuit patient au niveau
de la pièce en Y. Ce capteur est relié à un boîtier contenant un capteur piézo-électrique
de pression diérentielle (type Honewel Microswitch). Une prise de pression est également
assurée au niveau de la pièce en Y : la tubulure est reliée à un boîtier contenant un capteur
de pression diérentielle.
Chacun de ces boîtiers est relié par un câble à une entrée du système MP100 de Biopac
Plate-forme d'acquisition
L'unité d'acquisition Biopac est relié à un PC portable. Le logiciel AcqKnowledge est
utilisé pour l'acquisition des signaux connectés au module Biopac et provenant du moniteur
cardio-vasculaire et des boîtiers de débit et de pression. La fréquence d'acquisition est xée
à 100Hz. Une calibration est eectuée avant chaque enregistrement.
Durant l'enregistrement, l'observateur médical saisit sur le journal de bord d'AcqKnowlegde :
* la source de l'alarme et sa qualication selon le code de qualication suivant
* les observations cliniques au fur et à mesure des événements, selon ceux décrits dans
l'annexe E.
170
Annexe A : Protocole de recueil des données
Fig. 64: Les codes des alarmes
En n d'enregistrement, le chier est sauvegardé sur le disque dur, dans le répertoire
OSSCAR 2001. Le nom du chier est du type jour-mois-3 premières lettres du nom (jour et
mois en numérique). Par exemple 0305CAR.acq. En n de recueil, les chiers AcqKnowledge
sont copiés sur un zip de transfert. Les chiers de données sont traités an d'extraire en
cycle par cycle les paramètres physiologiques décrits en annexe B.
Inconvénients et risques
Il n'existe aucun risque du au recueil. Le seul inconvénient est la mise en place durant
le protocole d'un micro-ordinateur dont l'emplacement est choisi de façon à ne pas gêner
l'accès au patient et branché sur un réseau électrique indépendant du circuit protégé par un
onduleur alimentant le ventilateur et le moniteur. Une indication portée sur le tableau de
la chambre indiquera qu'un protocole de recueil est en cours. Une information sur le nature
du recueil sera donnée à la famille.
Coûts
Le recueil est réalisé au sein du service et n'entraîne aucun coût supplémentaire. Le
recueil, devant être documenté, il est réalisé en journée, pendant les heures normales de
travail par une personne appartenant au groupe de recherche.
Conclusion
Cette étude doit nous permettre de disposer d'une base de données documentées, mise
à la disposition de plusieurs équipes de recherche dans le cadre du projet OSSCAR, an de
tester diérentes approches de traitement des données sur une base de données communes.
Annexe B
Feuille de recueil (OSSCAR)
172
Annexe B : Feuille de recueil (OSSCAR)
Annexe C
Récapitulatif des informations disponibles sur les systèmes utilisés
Signaux analogiques
Les signaux analogiques sont des signaux physiologiques permettant de caractériser :
d'une part la fonction cardio-vasculaire : électrocardiogramme et pression artérielle
d'autre part la fonction respiratoire : débit et pression des voies aériennes. Le signal
de volume courant peut être obtenu par intégration du signal de débit. De façon
optionnelle, on peut disposer du signal de capnographie.
Le signal de photopléthysmographie de pouls est également disponible.
Valeurs numériques
La plupart des valeurs numériques disponibles sont issues du traitement des signaux
physiologiques mentionnés précédemment.
Les informations caractéristiques extraites de ces signaux et appelées paramètres physiologiques sont les suivantes :
à partir de l'électrocardiogramme : la fréquence cardiaque fC
à partir de la pression artérielle : la pression artérielle systolique (Psys correspondant à
la valeur maximum), la pression artérielle diastolique (Pdia correspondant à la valeur
minimum), la pression artérielle moyenne (Pmoy correspondant à la valeur moyenne).
Un calcul de fréquence cardiaque peut également être réalisé à partir de ce signal.
à partir du débit des voies aériennes : il sert de référence pour la détermination des
phases inspiratoire et expiratoire des signaux de la fonction respiratoire (voir gure
65).
Fig. 65:
Les paramètres obtenus à partir du signal de débit
à partir de la pression des voies aériennes (voir gure 66)
174
Annexe C : Récapitulatif des informations disponibles sur les systèmes utilisés
Fig. 66:
Les paramètres obtenus à partir du signal de pression
à partir du capnogramme : la concentration ou pression partielle du CO2 de n d'expiration (ETCO2) et la fréquence respiratoire.
à partir de la photopléthysmographie de pouls : la fréquence cardiaque. Le moniteur
de SpO2 fournit également la saturation de l'hémoglobine en oxygène calculée à partir
d'une technique de spectrophotométrie d'absorption.
La combinaison de ces diérents signaux, par exemple volume = f(pression) ou CO2 =
f(Volume) permet le calcul de paramètres supplémentaires tels que travail ventilatoire ou
quantité de CO2 expiré respectivement.
Le calcul des valeurs de résistance et d'élastance sont fournies à partir du traitement des
signaux de débit et de pression.
Ces paramètres sont délivrés par les systèmes de surveillance et les ventilateurs. Ils
peuvent également être déterminés à partir du traitement des signaux physiologiques disponibles sur les systèmes de surveillance et le ventilateur ou par l'ajout de capteurs spéciques.
Valeurs symboliques
Les messages d'alarme des systèmes de surveillance et des ventilateurs ainsi que les
valeurs de réglage de la ventilation sont disponibles en sortie sur certains ventilateurs.
Annexe D
Moniteur cardio-vasculaire Spacelabs
Une description de l'interface RS232 est fournie dans le manuel de fonctionnement en
ce qui concerne le moniteur de chevet portable 90308 (annexe A) ou PC Express Spacelabs.
9600,N,8,1- data logger ON
Les données sont envoyées suivant la fréquence dénie sur le moniteur dans un intervalle
compris entre 5 secondes et 60 minutes.
Cette sortie a été conçue pour connecter une imprimante 132 caractères. Une ligne de données contient un maximum de 132 caractères et l'ordre des paramètres est fonction des
modules connectés.
Deux types d'information sont transmis : des entêtes de page et des lignes de données.
Les entêtes de page apparaissent dans les situations suivantes :
* 50 lignes ont été transmises
* les paramètres surveillés changent
* le nom du patient ou le numéro de lit changent
* la date actuelle change
L'entête contient les champs suivants :
Nom du patient : 40 caractères
Nom du lit : 5 caractères
Date : 7 caractères
Les lignes de données débutent par l'heure de transmission des données (8 caractères) et la
valeur des paramètres surveillés. Leur ordre dépend du type des modules mis en place. Les
données continues qui peuvent s'acher sont répertoriés dans la gure 67.
Des données épisodiques peuvent également s'acher (voir gure 68).
Les symboles suivant peuvent apparaître sur la sortie :
? ? ? valeur non dénie
+++ valeur supérieure à l'intervalle
valeur inférieure à l'intervalle
*** dicultés de découverte de la valeur (peu importe la raison)
Pour l'ECG, il existe un temps de récupération de 30s et un temps de réponse de 3s
(alarme 3s, suspension son 3min).
Pour les pressions temps de réponse 3s (alarme 3s, suspension son 3min).
Pour la fR mesurée par impédance temps de réponse 3s (alarme 10s, suspension son 3min).
Pour la température temps de réponse 3s (alarme 10s, suspension son 3min).
Pour la SpO2 temps de réponse 3s (alarme selectionnable par menu 2,4,8 s).
Exemples de sortie avec les moniteurs de chambre UCW (voir gure 69).
SortieJ8 : DB9broches male (voir schéma de connexion, tous les pins sont
connectés)
176
Annexe D : Moniteur cardio-vasculaire Spacelabs
Fig. 67:
Fig. 68:
Les données continues
Des données épisodiques
Annexe D : Moniteur cardio-vasculaire Spacelabs
Fig. 69:
177
Exemples de sorties du moniteur
Etude des messages d'alarmes :
Lorsque des moniteurs externes sont connectés via le export et que des seuils d'alarme
sont dénis sur les paramètres transmis, en cas d'alarme, il existe un message sur la sortie
imprimante.
178
Annexe D : Moniteur cardio-vasculaire Spacelabs
Annexe E
Ventilateurs Evita-Dräger
En ce qui concerne les Evita 2, une description complète de l'interface RS232 est fournie
dans la notice EvitaLink RS232 Serial Interfaces for Evita 2 instructions for use d'octobre
1993. Le choix du protocole de transmission se fait par menu. Pour rester compatible avec
les autres respirateurs de la gamme eectuer le réglage suivant : LUST protocol et 1200
bauds. La récupération des données se fait sur le port B.
1200,E,7,2
9 broches male (2-RD, 3-TD, 5-GND)
En ce qui concerne l'Evita4, une description complète de l'interface RS232 est fournie dans
la notice Evita 4 Link Interface Card Supplement to instructions for Use Evita 4 de juin
1996. La récupération des données se fait sur le port COM2 ou COM3.
Evita 2 : n° d'identication
software version 1.00 >040
software version 2.00 >041
Evita 4 :
>050.
La liste des paramètres fournis par le ventilateur est répertoriée dans la gure 70.
Fig. 70:
Les paramètres récupérés sur le ventilateur
Toute modication de réglage ou de message d'alarme apparait à la suite des
valeurs des paramètres obtenues sur requête. Ci-dessous un exemple de récupération des données.
180
Annexe E : Ventilateurs Evita - Dräger
Fig. 71:
Exemple de récupération des données
Annexe F
Codication des événements extérieurs
Les codications adoptées sont : A=Ajout ; S=Suppression ; H=Haut, augmentation ;
B=Bas,diminution ; D=divers ; C=changement de pousse seringue ; F=n
182
Annexe F : Codication des événements extérieurs
Annexe F : Codication des événements extérieurs
183
Codication des alarmes
Dénition des Vrai Positif (VP), FP (Faux Positif ) et FN (Faux Négatif ) :
VP : ce sont les alarmes qui ont été déclenchées alors que la valeur du paramètre est en
dehors des seuils xés et suivies d'un geste de soins ou de la résolution d'un problème
technique. Dans ce dernier cas l'alarme sera notée VPT.
FP : valeur du paramètre en dehors des seuils xés, mais alarme ne justiant d'aucun
geste technique ou thérapeutique.
FN : valeur du paramètre dans la limite des seuils xés et problème sur patient justiant d'un geste de soin.
184
Annexe F : Codication des événements extérieurs
Annexe G
Exemples de paramètres tirés des signaux
On appelle ventilation minute (VE) le produit du volume courant par la fréquence respiratoire.
Fig. 72:
Exemple de signaux en ventilation spontanée de repos
186
Annexe G : Exemples de paramètres tirés des signaux
Annexe G : Exemples de paramètres tirés des signaux
Fig. 73:
187
Courbes caractéristiques de ventilation en Aide Inspiratoire (donc en
pression contrôlée)
La Paw est de forme carrée avec un niveau d'aide xé (Pref ). Le débit est décroissant,
il est fonction de Paw et des propriétés mécaniques du système thoraco-pulmonaire. La Pes
est très nettement négative à l'inspiration. Noter ici le décalage entre le début de l'eort
d'inspiration et l'obtention de l'aide inspiratoire.
188
Annexe G : Exemples de paramètres tirés des signaux
Annexe H
Les valeurs normales
Les valeurs dites normales sont en fait dépendantes de l'âge, du sexe, de la taille, du
poids et de l'origine ethnique. Elles ont été xées en fonction de données trouvées dans la
littérature. Les valeurs dites réa sont des valeurs pouvant être observées chez des patients
de réanimation sous assistance ventilatoire. Les valeurs observées au delà de ces limites
peuvent être considérées comme critiques. Ces limites sont à redénir par les cliniciens
participant au projet (voir gure 74).
190
Fig. 74:
Annexe H : Les valeurs normales
Dénitions et abréviations correspondant aux paramètres disponibles
Annexe I
Pré-traitement des signaux
Il consiste à éliminer des valeurs aberrantes selon les modalités suivantes :
(1) Sur les chiers de Lyon : toute valeur de la fréquence cardiaque calculée en dehors de
[20-200] est remplacée par un NaN, ainsi que les valeurs de PA systolique, diastolique
et moyenne correspondantes.
(2) Sur les chiers de Lille et Lyon, un traitement similaire est eectué à partir de la
valeur de la fréquence cardiaque délivrée par le moniteur.
(3) De même toute valeur de la fréquence respiratoire calculée en dehors [2 80] est remplacée par NaN ainsi que les valeurs de VT, débits, VM, Paw,E et R correspondantes.
(4) Un traitement supplémentaire est réalisé sur E et R pour éliminer les valeurs négatives et supérieures à 100.
192
Annexe I : Pré-traitement des signaux
Annexe J
Références
Journaux internationaux
Silvent A.-S., Dojat M. et Garbay C. (2004). Multi-level temporal abstraction for medical
scenario construction. Special Issue of the International Journal of Signal Processing and
Adaptive Control. A paraître
Workshops internationaux
Silvent A.-S., Garbay C, Carry P et Dojat M.(2003). Data, information and knowledge
for medical scenario construction. In Proceedings on Intelligent Data Analysis in Medicine
and Pharmacology, AIME 2003, Cyprus.
Chambrin M.-C., Bijaoui E., Carry P.-Y., Charbonnier S., Dojat M., Garbay C., Mangalaboyi J., Perdrix J.-P., Ravaux P., Sharshar S., Silvent A.-S., Vilhelm V. (2003) OSSCAR :
A Collaborative Project for Intelligent Patient Monitoring in Intensive Care and Anesthesia. In Proceedings on Intelligent Data Analysis in Medicine and Pharmacology, AIME 2003,
Cyprus.
Silvent A.-S., Garbay C, Carry P and Dojat M. (2002). Data abstraction for medical
construction scenario. In Knowledge Data from Temporal and Spatial Data (TASDA'02),
Lyon, France, pages 72-77.
Conférences nationales avec publication dans un livre
Silvent A.-S., Garbay C, Carry P et Dojat M. (2003) Abstraction de données pour la
construction de scénarios médicaux. In Extraction et Gestion des Connaissances (EGC'2003),
(M. Hacid, Y. Kodrato and D. Boulanger, Eds.), Hermès-Lavoisier, Lyon, Fr (22-24 Jan),
pages 207-212.
194
Annexe J : Références
Bibliographie
[Allen, 1983] Allen, J. (1983). Maintaing knowledge about temporal intervals. Comm. ACM,
26(11) :832843.
[Allen, 1984] Allen, J. (1984).
Towards a general theory of action and time.
Articial
Intelligence, 23 :123154.
[Bauer et al., 1998] Bauer, M., Gather, U., and Imho, M. (1998). Analysis of high dimensional data from intensive care medicine. In Proceedings in Computational Statistics, (R.
Payne, Eds), Berlin :Springer-Verlag, pages 185190.
[Becq, 2000] Becq, G. (2000). Gestion des alarmes d'oxymétrie de pouls en unités de soins
intensifs :une analyse multiparamétrée.
Rapport de DEA Modèles et Instruments en
médecine et biologie Université Joseph Fourier Grenoble.
[Bellazzi et al., 2002] Bellazzi, R., Larizza, C., Magni, P., and Bellazzi, R. (2002). Quality
assessment od dialysis services through intelligent data analysis and temporal data mining.
Working notes workshop on Knowledge Discovery on Temporal and Spatial data, ECAI
2002, pages 3-9.
[Bellazzi et al., 2005] Bellazzi, R., Larizza, C., Magni, P., and Bellazzi, R. (2005). Temporal
data mining for the quality assessment of hemodialysis services. Articial Intelligence in
Medicine, à paraître.
[Bellazzi et al., 2003] Bellazzi, R., Larizza, C., Magni, P., and Bellazzi, R. (october 2003).
Quality assessment of hemodyalisis services through temporal data mining. In 9
th confe-
rence on Articial Intelligence in Medicine in Europe, AIME2003, (M. Dojat, E. Keravnou
and P. Barahona, Eds), LNCS 2780, Springer : Berlin, pages 1120.
[Bellazzi et al., 1998] Bellazzi, R., Magni, P., Larizza, C., Nicolao, G. D., Riva, A., and
Stefanelli, M. (1998). Mining biomedical time series by combinig structural analysis and
temporal abstractions. Journal of American medical informatics association, 5 :160164.
[Biot, 1998] Biot, L. (1998). Evaluation d'un monitorage de la mécanique respiratoire en
réanimation adulte. Thèse de médecine, Université Claude Bernard Lyon I, Faculté de
médecine Lyon Nord.
[Biot et al., 2000] Biot, L., Carry, P.-Y., Perdrix, J.-P., Eberhard, A., and Baconnier, P.
(2000). Clinical evaluation of alarm eciency in intensive care. Ann. Fr. Anesth. Reanim,
19(6) :45966.
[Bloch, 2003] Bloch, I. (2003). Fusion d'informations en traitement du signal et des images.
Traité IC2. Hermès-Lavoisier.
[Bloch and Hunter, 2001] Bloch, I. and Hunter, A. (2001). Fusion : General concepts and
characteristics. International Journal of Intelligent Systems, 16(10) :11071134.
195
196
BIBLIOGRAPHIE
[Bloch and Maître, 1994] Bloch, I. and Maître, H. (1994). Fusion de données en traitement
d'images : modèles d'informations et décisions. Traitement du Signal, 11(6) :435446.
[Burns et al., 2003] Burns, S., Earven, S., Fisher, C., Lewis, R., Merrell, P., Schubart, J.,
Truwit, J., and Bleck, T. (2003). Implementation of an institutional program to improve
clinical and nancial outcomes of mechanically ventilated patients : One-year outcomes
and lessons learned. Critical Care Medicine, 31(12) :27522763.
[Calvelo et al., 2000] Calvelo, D., Chambrin, M.-C., Pomorski, D., and Ravaux, P. (2000).
Towards symbolisation using data-driven extraction of local trends for icu monitoring.
Articial Intelligence in Medicine, 19(3) :203223.
[Calvelo-Aros, 1999] Calvelo-Aros, D. (1999). Apprentissage de modèles de la dynamique
pour l'aide à la décision en monitorage clinique. Thèse de doctorat, Université des sciences
et technologies de Lille.
[Carrault et al., 1999] Carrault, G., Cordier, M.-O., Quiniou, R., Garreau, M., Bellanger,
J.-J., and Bardou, A. (1999).
A model-based approach for learning to identify cardiac
arrhythmias. In AIMDM'99, volume 1620 of LNAI, Springer Verlag, pages 165174.
[Carrault et al., 2003] Carrault, G., Cordier, M.-O., Quiniou, R., and Wang, F. (2003). Temporal abstraction and inductive logic programming for arrhythmia recognition from electrocardiograms. Articial Intelligence in Medicine, 28(3) :231263.
[Chambrin et al., 2003] Chambrin, M.-C., Bijaoui, E., Carry, P.-Y., Charbonnier, S., Dojat,
M., Garbay, C., Mangalaboyi, J., Perdrix, J.-P., Ravaux, P., Sharshar, S., Silvent, A.-S.,
and Vilhelm, C. (2003). Osscar : A collaborative project for intelligent patient monitoring
in intensive care and anesthesia. In Proceedings on Intelligent Data Analysis in Medicine
and Pharmacology, AIME 2003.
[Chambrin et al., 1999] Chambrin, M.-C., Ravaux, P., Calvelo-Aros, D., Jaborska, A., Chopin, C., and Boniface, B. (1999). Multicentric study of monitoring alarms in the adult
intensice care unit (icu) : a descriptive analysis. Intensive care medicine, 25(12) :1360
1366.
[Charlet, 2001] Charlet, J. (2001). L'ingénierie des connaissances : une science, un enseignement ? In Ingénierie des connaissances, plate-forme AFIA, pages 233252.
[Chiu et al., 2003] Chiu, B., Keogh, E., and Lonardi, S. (2003).
of time series motifs.
Probabilistic discovery
th ACM SIGKDD International Conference on Knowledge
In 9
Discovery and Data Mining, pages 493498.
[Cios and Moore, 2002] Cios, K. and Moore, G. (2002). Uniqueness of medical data mining.
Articial Intelligence in Medicine, 26(12) :124.
[Cios et al., 2000] Cios, K., Teresinska, A., Konieczna, S., Potocka, J., and Sharma, S.
(2000). A knowledge discovery approach to diagnosing myocardial perfusion. IEEE En-
gineering in medicine and biology, 19(4) :1725.
[Clancey, 1985] Clancey, W. (1985). Heuristic classication. Articial Intelligence, 27 :289
350.
[Clerq et al., 2004] Clerq, P. D., Blom, J., Korsten, H., and Hasman, A. (2004). Approaches
for creating computer-interpretable guidelines that facilitate decision support. Articial
Intelligence in Medicine, 31 :127.
197
BIBLIOGRAPHIE
[Collective Task, 2002] Collective Task (2002). Evidence-based guidelines for weaning and
discontinuing support. Respiratory Care, 47(1) :6990. A Collective Task Force Facilitated
by the American College of Chest Physicians, the American Association for Respiratory
Care, and the American College of Critical Care Medicine.
[Cortés et al., 2002] Cortés, U., Rodriguez-Roda, I., Sànchez-Marrè, M., Comas, J., Cortés,
C., and Poch, M. (july 2002).
Dai-depur : an environmenttal decision support system
th European
for control and supervision of municipal waste water treatment plants. In 15
Conference on Articial Intelligence (ECAI02), (F. van Harmelen, Eds), IOS Press, pages
603607.
[DeCoste, 1991] DeCoste, D. (1991).
Dynamic across-time measurements interpretation.
Articial Intelligence, 51(1,2,3) :273341.
[Dojat, 1994] Dojat, M. (1994).
Contribution à la représentation d'expertises médicales
dynamiques : application en réanimation médicale.
Thèse de doctorat, Université de
technologie de Compiègne.
[Dojat and Brochard, 2001] Dojat, M. and Brochard, L. (2001). Knowledge-based systems
Respiratory Care Clinics of North America.
for automatic ventilatory management.
Closed-Loop Control Mechanical Ventilation. W.B. Saunders Co., Philadelphia,, pages
379396.
[Dojat et al., 2000] Dojat, M., Harf, A., Touchard, D., Lemaire, F., and Brochard, L. (2000).
Clinical evaluation of a computer-controlled pressure support mode. Am J Respir Crit
Care Med, 161 :11611166.
[Dojat et al., 1997] Dojat, M., Pachet, F., and Guessoum, Z. (1997). Neoganesh : A working
system for the automated control of assisted ventilation in icus. Articial Intelligence in
Medicine, 11 :97117.
[Dojat et al., 1998] Dojat, M., Ramaux, N., and Fontaine, D. (1998). Scenario recognition
for temporal reasoning in medical domains.
Articial Intelligence in Medicine, 14(1-
2) :139155.
[Dousson, 2002] Dousson, C. (2002). Extending and unifying chronicle representation with
event counters.
th europen conference on articial intelligence
In Proceedings of the 15
(ECAI02), (F. van harmelen, Eds), pages 257261.
[Dousson and Duong, 1999] Dousson, C. and Duong, T. V. (1999).
Découverte de chro-
niques avec contraintes temporelles à partir de journaux d'alarmes pour la supervision
de réseaux de télécommunications.
In Actes de la première conférence d'apprentissage
(CAP'99), pages 1724.
[Dubois and Prade, 2001] Dubois, D. and Prade, H. (2001). La problématique scientique
du traitement de l'information. Information-Interaction-Intelligence, 1(2).
[Duftshmid and Miksch, 2001] Duftshmid, G. and Miksch, S. (2001).
Knowledged-based
verication of clinical guidelines by detection of anomalies. Articial Intelligence in Me-
dicine, 22 :2341.
[Ely, 1996] Ely, E. (1996). Eect on the duration of mechanical ventilation of the identifying
patients capable of breathing spontaneously.
The New England Journal of Medicine,
335 :18641869.
[Ely et al., 1999] Ely, E., Baker, A., Evans, G., and Haponik, E. (1999).
The prognostic
signicance of passing a daily screen of weaning parameters. Intensive Care Med, 25 :581
587.
198
BIBLIOGRAPHIE
[Esteban and Alia, 1998] Esteban, A. and Alia, I. (1998). Clinical management of weaning
from mechanical ventilation. Intensive Care Med, 24(10) :9991008.
[Fayyad et al., 1996] Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data
mining to knowledge discovery in databases. Artical Intelligence magazine, 7(3) :3754.
[Fildier, 2001] Fildier, C. (2001). Apprentissage et reconnaissance de scénarios à partir d'ecg
multivoies. Mémoire de DEA, Université de Lyon II.
[Fried et al., 2002] Fried, R., Gather, U., and Imho, M. (2002).
intensive care online monitoring, Chapter 6.
Pattern recognition in
In Computional intelligence techniques in
medical diagnosis and prognosis, (M. Schmitt, H.-N. Teodorescu, A. Jain, A. Jain, S. Jain
and L.C. Jain, Eds), Springer-Verlag, pages 129165.
[Friesdorf et al., 1999] Friesdorf, W., Buss, B., and Göbel, M. (1999). Monitoring alarms the key to patient's safety in the icu ? Intensive care medicine, 25(12) :13501352.
[Fromont et al., 2004] Fromont, E., Cordier, M.-O., and Quiniou, R. (2004).
Extraction
de connaissances provenant de données multisources pour la caractérisation d'arythmies
cardiaques. In Extraction et Gestion des Connaissances (EGC 2004), Clermont-Ferrand,
France.
[Gather et al., 2001] Gather, U., Fried, R., and Lanius, V. (2001).
Online monitoring of
high dimensional physiological time series - a case study. Estadistica, 53 :259298.
[Guyet, 2004] Guyet, T. (2004). Extraction d'informations en anesthésie-réanimation. apprentissage de scénarios dans des series multivariées. Mémoire de DEA, Université Joseph
Fourier, Grenoble.
[Haimowitz and Kohane, 1996] Haimowitz, I. and Kohane, I. (1996).
Managing temporal
worlds for medical trend diagnosis. Articial Intelligence in Medicine, 8(3) :299321.
[Hiderman and Hamilton, 1999] Hiderman, R. and Hamilton, H. (1999). Knowledge discovery and interestingness measures : a survey. Technical report, Department of computer
science, University of Regina.
[Hilderman and Hamilton, 2000] Hilderman, R. and Hamilton, H. (2000).
mining summaries using objectives measures of interestingness.
Principles for
In Proceedings of the
twelfth IEEE International Conference on Tools with Articial Intelligence (ICTAI'00),
pages 7281, Vancouver, Canada.
[Horn et al., 1997] Horn, W., Miksch, S., and Egghart, G. (1997). Eective data validation
of high-frequency data : time-point, time-interval, and trend-based methods. Computer in
Biology and Medicine, Special Issue : Time-Oriented Systems in Medicine, 27(5) :389409.
[Höppner, 2002] Höppner, F. (2002). Why temporal kdd ? (open discussion). Compte-rendu
du workshop TASDA, ECAI, Lyon. http ://tasda.elibel.tm.fr/discussion/why.mhtml.
[Höppner and Klawonn, 2001] Höppner, F. and Klawonn, F. (2001).
Finding informative
rules in interval sequences. In Advances in Intelligent Data Analysis, LNCS 2189, Springer : Berlin, pages 123132.
[Imho et al., 1997] Imho, M., Bauer, M., Gather, U., and Löhlein, D. (1997). Time series
analysis in intensive care medicine. Applied cardiopulmonary pathophysiology, 6 :203281.
[Jaborska, 2000] Jaborska, A. (2000). Conception et réalisation d'une plate-forme d'aquisition et de traitement des données médicales : application au problème des alarmes en
unités de soins intensifs. Thèse de l'université de Compiègne.
199
BIBLIOGRAPHIE
[Kayser, 1997] Kayser, D. (1997). La représentation des connaissances. Hermes.
[Keogh et al., 2002] Keogh, E., Lonardi, S., and Chiu, B. (2002). Finding surprising patterns
in a time series database in linear time and space. In SIGKDD'02.
[Kodrato, 2000] Kodrato, Y. (2000). Comparing Machine Learning and Knowledge Dis-
covery in DataBases : An Application to Knowledge Discovery in Texts, pages 121. Springer.
[Kohonen, 1997] Kohonen, T. (1997). Exploration on very large databases by self-organizing
maps. In ICNN'97, International Conference on Neural Networks, IEEE service center,
pages PL1PL6.
[Larizza et al., 1995] Larizza, C., Bernuzzi, G., and Stefanelli, M. (1995). A general framework for building patient monitoring systems. Articial Intelligence in Medicine, 5 :91
102.
[Lavrac, 1998] Lavrac, N. (1998). Computational logic and machine learning : a roadmap for
inductive logic programming. Technical report, J. Stefan Institute, Ljubljana, Slovenia.
[Lavrac et al., 2000] Lavrac, N., Keravnou, E., and Zupan, B. (2000). Intelligent data analysis in medicine. Encyclopedia of computer science and technology, vol 42, pages 113-157.
[Lerner et al., 2002] Lerner, U., Moses, B., Scott, M., McIlraith, S., and Koller, D. (2002).
Monitoring a complex physical system using hybrid dynamic bayes net. In 18
th annual
conference on Uncertainty in Articial Intelligence (UAI02), Edmonton, Canada.
[Lin et al., 2003] Lin, J., Keogh, E., Lonardi, S., and Chiu, B. (2003). A symbolic representation of time series, with implications for streaming algorithms. In 8
th ACM SIGMOD
workshop on Research Issues in Data Mining and Knowledge Discovery, pages 211, SanDiego, CA.
[Mannila et al., 1997] Mannila, H., Toivonen, H., and Verkamo, A. I. (1997). Discovery of
frequent episodes in event sequences. series of publications C report C-1997-15, Departement of computer science, University of Helsinki, Finland.
[McDermott, 1982] McDermott, D. (1982). A temporal logic for reasoning about processes
and plans. Cognitive science, 6 :101155.
[Mersmann and Dojat, 2004] Mersmann, S. and Dojat, M. (2004). Smartcare - automated
th European Conference on Articial
clinical guidelines in critical care. In Proceedings of 16
Intelligence (ECAI'04), (R. Lopez de Mantara and L. Saitta, Eds.), IOS press, pages 745
749, Valencia (ES).
[Miksch et al., 1996] Miksch, S., Horn, W., Popow, C., and Paky, F. (1996). Utilising temporal data abstraction for data validation and therapy planning for articially ventilated
newborn infants. Articial Intelligence in Medicine, 8(6) :543576.
[Miksch et al., 1999] Miksch, S., Seyfang, A., Horn, W., and Popow, C. (1999). Abstracting
In Articial
steady qualitative descriptions over time from noisy, high-frequency data.
Intelligence in Medicine. Proceedings of the joint European Conference on Articial Intelligence in Medicine and Medical Decision Making, AIMDM99, (W. Horn, Y. Shahar,
G. Lindberg, S. Andreassen and J. Wyatt, Eds), number 1620 in Springer's lecture notes
in computer science, Berlin : Springer, pages 281290.
[Miksch et al., 1997] Miksch, S., Shahar, Y., and Johnson, P. (1997). Asbru : A task-specic,
th Workshop
intention-based, and time-oriented language for representing skeletal plans. 7
200
BIBLIOGRAPHIE
on Knowledge Engineering : Methods & Languages (KEML-97), (E. Motta, F. v. Harmelen, C. Pierret-Golbreich, I. Filby and N. Wijngaards, Eds), Milton Keynes, UK.
[Miller, 1956] Miller, G. (1956).
The marginal number seven, plus or minus two : some
limits to our capacity for processing information. Psychol. Rev., 63 :8197.
[Morik, 2000] Morik, K. (2000). The representation race - preprocessing for handling time
phenomena.
In 11
th European Conference on Machine Learning (ECML 2000), pages
419, Barcelona, Spain.
[Morik et al., 1999] Morik, K., Brockhausen, P., and Joachims, T. (1999). Combining statistical learning with a knowledge-based approach. a case study in intensive care monitoring.
In 16
th Int'1 Conference on Machine Learning (ICML 99), pages 268277.
[Morik et al., 2000] Morik, K., Imho, M., Brockhausen, T., and Gather, U. (2000). Knowledge discovery and knowledge validation in intensive care. Articial Intelligence in Me-
dicine, 19(3) :225250.
[Morris, 1999] Morris, A. (1999).
Computerized protocols and bedside decision support.
Crit Care Clin, 15(3) :523545.
[Morris, 2001] Morris, A. (2001). Rational use of computerized protocols in the intensive
care unit. Critical Care, 5 :249254.
[Morris, 2002] Morris, A. (2002). Decision support and safety of clinical environments. Qual
Saf Health Care, 11 :6975.
[Peleg et al., 2000] Peleg, M., Boxwala, A., Ogunyemi, O., Ogunyemi, O., Zeng, Q., Tu,
S., Lacson, R., Bernstam, E., Ash, N., Mork, P., Ohno-Machado, L., and Shortlie, E.
(2000). Glif3 : the evolution of a guideline representation format. In Proceedings of the
American Medical Informatics Association (AMIA) Annual Symposium, pages 645649,
Los Angeles, CA.
[Peleg et al., 2003] Peleg, M., Tu, S., Bury, J., Ciccarese, P., Fox, J., Greenes, R., Hall, R.,
Johnson, P., Jones, N., Kumar, A., Miksch, S., Quaglini, S., Seyfang, A., Shortlie, E., and
M.Stefanelli (2003). Comparing computer-interpretable guideline models : A case-study
approach. Journal of the American Medical Informatics Association, 10(1) :5268.
[Pitrat, 1990] Pitrat, J. (1990). Métaconnaissance. Futur de l'intelligence articielle. Hermès : Paris.
[Quaglini et al., 2001] Quaglini, S., Stefanelli, M., Lanzola, G., Caporusso, V., and Panzarasa, S. (2001). Flexible guideline-based patient careow systems. Articial Intelligence
in Medicine, 22 :6580.
[Ramaux, 1998] Ramaux, N. (1998). Supervision de systèmes dynamiques par reconnaissance de scénarios. Thèse de doctorat, Université de technologie de Compiègne.
[Richard et al., 2001] Richard, C., Beydon, L., Cantagrel, S., Cuvelier, A., Fauroux, B., and
Garo, B. (2001). Sevrage de la ventilation mécanique (à l'exclusion du nouveau-né et du
réveil d'anesthésie. Réanimation, 10 :697705.
[Roddick and Spiliopoulou, 2002] Roddick, J. and Spiliopoulou, M. (2002).
A survey of
temporal knowledge discovery paradigms and methods. IEEE Transactions on knowledge
and data engineering, 14(4) :750767.
[Rodriguez-Roda et al., 2002] Rodriguez-Roda, I., Sànchez-Marrè, M., Comas, J., Baeza,
J., Colprim, J., Lafuente, J., Cortès, U., and Poch, M. (2002).
A hybrid supervisory
201
BIBLIOGRAPHIE
system to support wwtp operation : implementation and validation. Water science and
technology, 45(4-5) :289297.
[Russ, 1995] Russ, T. (1995).
Use of data abstraction methods to simplify monitoring.
Articial Intelligence in Medicine, 7(6) :497514.
[Seyfang et al., 2002] Seyfang, A., Miksch, S., and Marcos, M. (2002). Combining diagnosis
and treatment using asbru. International Journal of Medical Informatic, 68(13) :4957.
[Shahar, 1994] Shahar, Y. (1994). A knowledge-based method for temporal abstraction of
clinical data. PhD Thesis, Université de Stanford.
[Shahar, 1997] Shahar, Y. (1997). A framework for knowledge-based temporal abstraction.
Articial Intelligence, 90(12) :79133.
[Shahar and Cheng, 1999] Shahar, Y. and Cheng, C. (1999). Intelligent visualisation and
exploration of time-oriented clinical data. In Annual Hawaii International Conference on
System Sciences (HICSS-32), IEEE Computer Society, Maui, Hawaii.
[Shahar et al., 1998] Shahar, Y., Miksch, S., and Johnson, P. (1998).
The asgaard pro-
ject : a task-specic framework for the application and critiquing of time-oriented clinical
guidelines. Articial Intelligence in Medicine, 14 :2951.
[Shi et al., 2002] Shi, V., Duanmu, S., and Perrizo, W. (2002).
Principles for measuring
association rules. submitted to ILP journal, ? : ?
[Shoham, 1987] Shoham, Y. (1987).
Temporal logics in ai : semantical and ontological
considerations. Articial Intelligence, 33 :89104.
[Steimann, 1995] Steimann, F. (1995). Diagnostic monitoring of clinical time series. PhD
Thesis, Université de Vienne, Autriche.
[Steimann, 1996] Steimann, F. (1996). The interpretation of time-varying data with diamon1. Articial Intelligence in Medicine, 8(4) :343357.
[Szolovits, 1995] Szolovits, P. (1995).
Uncertainty and decisions in medical informatics.
Methods of Information in Medicine, 34 :111121.
[Travé-Massuyès and Milne, 1997] Travé-Massuyès, L. and Milne, R. (1997).
Gas-turbine
condition monitoring using qualitative model-based diagnosis. IEEE Expert : Intelligent
systems and their applications, 12(3) :2231.
[Tsien, 2000] Tsien, C. (2000). Trendnder : Automated detection of alarmable trends. PhD,
Massachusetts institute of technology, USA.
[Tsien et al., 2000] Tsien, C., Kohane, I., and McIntosh, N. (2000).
Multiple signal inte-
gration by decision tree induction to detect artifacts in the neonatal intensive care unit.
Articial Intelligence in Medicine, 19(3) :189202.
[Tu and Musen, 1999] Tu, S. and Musen, M. (1999). A exible approach to guideline modeling. In Proceedings of the AMIA Symp., pages 420424.
[Unwin, 2002] Unwin, A. (2002). If you can't see the pattern, is it there ? In Exploratory
worshop on pattern detection and discovery in data mining, (D.J. Hand, N.M. Adams and
R.J. Botton, Eds), LNCS 2447 , pages 6376, Imperial college, London.
[Wachowicz, 2001] Wachowicz, M. (2001).
Space-time reasoning in data fusion and data
mining. Conférence Data fusion and separation meeting, projet européen reviGIS, Carnuntum, Autriche. http ://www.geoinfo.tuwien.ac.at/projects/revigis/.
202
BIBLIOGRAPHIE
[Weavind et al., 2000] Weavind, L., Shaw, A., and Feeley, T. (2000). Monitoring ventilator
weaningpredictors of success. Journal of Clinical Monitoring and Computing, 16 :409
146.
[Witten and Frank, 2000] Witten, I. and Frank, E. (2000). Data mining. Academic press.
[Yu et al., 2001] Yu, J., Hunter, J., Reiter, E., and Sripada, S. (2001).
An approach to
generating summaries of time series data in the gas turbine domain. In Proceedings of
ICII2001, (Beijing), IEEE Press, pages 4451.
[Yu et al., 2002] Yu, J., Hunter, J., Reiter, E., and Sripada, S. (2002). Recognising visual
patterns to communicate gas turbine time-series data. In Applications And Innovations in
Intelligent Systems X, (A.L. Macintosh, R. Ellis and F. Coenen, Eds), Springer, London,
pages 105118, Cambridge, U.K.
[Yu et al., 2003] Yu, J., Hunter, J., Reiter, E., and Sripada, S. (2003). Sumtime-turbine : a
knowledge-based system to communicate gas turbine time-series data. In Proceedings of
16
th International conference on industrial & engineering applications of AI and expert
systems, pages 379384, Loughborough UK.
Résumé
La reconnaissance automatique de scénarios est cruciale pour l'aide à la supervision de
systèmes dynamiques. Cependant, la construction de tels scénarios représentatifs de situations de bon ou de mauvais fonctionnement n'est pas réalisable en pratique directement à
partir de la connaissance experte. Notre objectif est donc d'extraire, à partir des données et
des informations disponibles, des séquences abstraites d'événements pertinents et ensuite de
construire des scénarios validés par les experts comme représentatifs d'une classe de situations à reconnaître. Le travail de cette thèse présente une méthodologie pour la découverte
de scénarios médicaux, en particulier l'abstraction graduelle des données est détaillée. La
découverte de scénarios relève de l'extraction de connaissances et comprend, entre autres,
les étapes de transformation des données et de fouille de données. Cette méthodologie s'appuie sur un processus incrémental de manipulation des informations et des connaissances
basé sur une clarication de ces concepts. Elle est appliquée à la surveillance de patients
hospitalisés en unités de soins intensifs.
Mots clés :
abstraction, raisonnement temporel, scénarios, monitoring.
Abstract
The automatic recognition of typical pattern sequences (scenarios), as they are developing, is of crucial importance for computer-aided patient supervision. However, the construction of such scenarios directly from medical expertise is unrealistic in practice. In this thesis,
we present a methodology for data abstraction and for the extraction of specic events (data
mining) to eventually construct such scenarios. Data abstraction and data mining are based on the management of three key concepts, data, information and knowledge, which are
instantiated via an clarication specic of our medical domain application. After a detailed
description of the proposed methodology, we apply it to the supervision of patients hospitalized in intensive care units. We report the results obtained for the extraction of typical
abstracted pattern sequences during the process of weaning from mechanical ventilation.
Keywords :
data abstraction, temporal reasoning, scenarios, monitoring.

1233297

ьы Ёыр ттжс ся р вщя сп уы ь рыя ж уы тсыж п сы пп срр

1233111

1230644

1226647

1226622

1230108

1227174

1228902

1228121

1226111

1227996

1227622

1227353

1228350

1232417

1231910